[论文解读] Revisiting Role Discovery in Networks: From Node to Edge Roles

Nesreen K. Ahmed, Ryan A. Rossi+2 more|arXiv (Cornell University)|Oct 4, 2016

Complex Network Analysis Techniques参考文献 31被引用 4

一句话总结

本文提出了一种新颖的边角色发现框架，通过使用高阶图谱特征和可扩展的潜在空间模型，从任意图中学习并提取有意义的边角色。该方法提出了一种通用、线性时间复杂度且空间高效的方案，在捕捉网络结构方面优于传统的节点中心方法，且在多种真实世界网络中的异常检测、分类和链接预测任务中展现出显著实用性。

ABSTRACT

Previous work in network analysis has focused on modeling the mixed-memberships of node roles in the graph, but not the roles of edges. We introduce the edge role discovery problem and present a generalizable framework for learning and extracting edge roles from arbitrary graphs automatically. Furthermore, while existing node-centric role models have mainly focused on simple degree and egonet features, this work also explores graphlet features for role discovery. In addition, we also develop an approach for automatically learning and extracting important and useful edge features from an arbitrary graph. The experimental results demonstrate the utility of edge roles for network analysis tasks on a variety of graphs from various problem domains.

研究动机与目标

• 为弥补网络分析中的空白，提出边角色发现，突破传统节点中心角色模型的局限。
• 开发一种可泛化的框架，用于从任意静态和动态图中学习并提取边角色。
• 通过利用高阶网络模体（图谱）而非仅度数和邻域子图特征，提升角色发现的判别能力。
• 设计一种高效、可扩展且空间高效的特征学习框架，适用于大规模属性化和非属性化网络。

提出的方法

• 提出一种高阶潜在空间模型，使用图谱特征（大小为 k ≥ 3 的诱导子图）作为边角色的初始表示。
• 采用关系特征学习模板，从图谱计数及其他结构参数（如三角形核心数和邻域染色数）中提取新颖、可解释且具有判别力的边特征。
• 应用基于Bregman散度的优化方法（如Frobenius、KL、IS）实现潜在边和节点角色学习中的高效矩阵分解。
• 引入一种稀疏图特征学习方法，对特征表示进行压缩，在各数据集上实现0.162至0.334之间的稀疏度水平。
• 将所有算法并行化，确保在边数上的线性时间复杂度，模型学习的最坏情况时间复杂度为 O(f(m + nr))。
• 通过统一的框架支持无向图和有向图，以及属性化网络，实现边和节点特征学习的统一建模。

实验结果

研究问题

• RQ1 是否可以在任意图中对边角色进行有意义的定义与发现，超越传统的节点角色模型？
• RQ2 与仅使用度数和邻域子图特征相比，高阶图谱特征如何提升角色发现的判别能力？
• RQ3 能否设计一种可扩展且空间高效的特征学习框架，从大规模网络中提取稀疏且具有代表性的边特征？
• RQ4 边角色在异常检测、分类和链接预测等下游任务中的性能提升程度如何？
• RQ5 所提出的模型在包括属性化和动态图在内的多种网络类型中具有多大程度的泛化能力？

主要发现

• 所提出的边角色发现框架在空间效率上相比现有基于节点的特征学习方法最高可提升6倍，各数据集的特征矩阵稀疏度在0.162至0.334之间。
• 该模型学习到高度压缩的边和节点特征表示，在显著降低存储需求的同时保持了强大的判别能力。
• 模型的时间复杂度与边数呈线性关系，可扩展至大规模网络。
• 基于图谱的特征（如大小为3–4的诱导子图计数）相比仅使用度数和邻域子图特征，显著提升了角色发现的质量。
• 该框架通过直接建模边的功能语义，支持多种应用场景，包括异常检测、分类和链接预测。
• 稀疏特征学习方法在空间效率方面优于密集特征学习，在密集表示变得不可行的大规模网络中更具实用性。