[论文解读] On Graph Stream Clustering with Side Information

Yuchen Zhao, Philip S. Yu|arXiv (Cornell University)|Jan 28, 2013

Complex Network Analysis Techniques参考文献 23被引用 6

一句话总结

该论文提出GSSClu，一种新颖的动态图流聚类框架，通过统一的E-S距离度量联合建模链接结构与异构辅助信息。该方法引入DMO优化框架以动态加权链接与属性，并采用基于摘要的统计结构（SGS(C)）实现常数空间、可扩展的处理，在真实世界图流数据集上实现了优于基线方法的聚类准确率与效率。

ABSTRACT

Graph clustering becomes an important problem due to emerging applications involving the web, social networks and bio-informatics. Recently, many such applications generate data in the form of streams. Clustering massive, dynamic graph streams is significantly challenging because of the complex structures of graphs and computational difficulties of continuous data. Meanwhile, a large volume of side information is associated with graphs, which can be of various types. The examples include the properties of users in social network activities, the meta attributes associated with web click graph streams and the location information in mobile communication networks. Such attributes contain extremely useful information and has the potential to improve the clustering process, but are neglected by most recent graph stream mining techniques. In this paper, we define a unified distance measure on both link structures and side attributes for clustering. In addition, we propose a novel optimization framework DMO, which can dynamically optimize the distance metric and make it adapt to the newly received stream data. We further introduce a carefully designed statistics SGS(C) which consume constant storage spaces with the progression of streams. We demonstrate that the statistics maintained are sufficient for the clustering process as well as the distance optimization and can be scalable to massive graphs with side attributes. We will present experiment results to show the advantages of the approach in graph stream clustering with both links and side information over the baselines.

研究动机与目标

• 解决大规模动态图流聚类的挑战，其中链接结构与辅助信息（如用户资料、元数据）同时存在但未被充分利用。
• 克服现有图流聚类方法在忽略辅助信息的情况下所面临的可扩展性限制，无法处理高吞吐量、高容量的数据。
• 设计一种统一的距离度量，以原则化方式整合结构相似性与属性级别相似性。
• 设计一种高效、在线的优化框架（DMO），在流处理过程中动态学习链接与辅助属性的相对重要性。
• 通过基于摘要的统计结构（SGS(C)）确保方法可扩展至大规模图，该结构消耗常数内存，支持实时聚类与度量学习。

提出的方法

• 提出E-S距离度量，一种统一的距离度量，通过加权组合方式结合图链接结构相似性与辅助属性相似性。
• 引入DMO（动态度量优化）框架，通过最小化类间距离与最大化类内距离，迭代优化链接与辅助属性的权重。
• 采用基于摘要的统计结构SGS(C)，维护图边与辅助属性的紧凑、实时摘要，实现常数空间存储与高效计算。
• 利用SGS(C)结构估计DMO框架中所有必需的距离度量与优化目标，而无需存储原始数据。
• 在流式聚类流水线中应用E-S距离与DMO框架，对每个传入的图对象进行增量式处理，计算开销极低。
• 将优化与聚类过程整合为单一在线算法，能够随时间自适应演化数据分布。

实验结果

研究问题

• RQ1 统一的距离度量能否有效结合结构信息与辅助属性信息，用于图流聚类？
• RQ2 在在线流式环境中，如何动态学习并更新链接与辅助属性的相对重要性？
• RQ3 基于摘要的常数空间统计结构（SGS(C)）能否在图流中维持足够的信息，以支持聚类与度量优化？
• RQ4 与忽略辅助信息的基线方法相比，所提方法在聚类准确率与效率方面表现如何？
• RQ5 该方法对关键参数（如聚类数与优化频率γ）的变化是否具有鲁棒性？

主要发现

• 所提出的GSSClu方法在聚类纯度方面显著优于基线方法，尤其当辅助信息具有信息量时，充分体现了整合异构属性的价值。
• 当聚类数加倍时，聚类纯度仅略有提升（约0.03），表明方法在不同聚类设置下表现稳定，对k具有鲁棒性。
• GSSClu的处理速率与聚类数呈线性关系，且在较小k值时处理速率更高，证实了距离计算的高效性与良好可扩展性。
• 该方法在不同优化频率参数γ的设置下保持稳定的处理速率，仅在较高优化频率（较小γ）时出现轻微性能下降，表明DMO引入的开销极低。
• 敏感性分析表明，该方法对参数变化具有鲁棒性，在不同γ与k值下对有效性与效率的影响均极小。
• 基于摘要的SGS(C)结构实现了常数空间存储，并能准确估计距离与优化目标，使该方法可扩展至大规模图流。