[论文解读] Subgraph Frequencies: Mapping the Empirical and Extremal Geography of Large Graph Collections

Johan Ugander, Lars Bäckström+1 more|arXiv (Cornell University)|Apr 4, 2013

Complex Network Analysis Techniques参考文献 27被引用 43

一句话总结

本文提出了一种针对大规模小型密集社交图集合的坐标系，基于子图频率向量——具体而言，即所有诱导k个节点子图（k=3或4）的归一化计数。该方法结合极值图论以界定可行的子图频率范围，并采用随机生成模型（边形成随机游走）来解释真实社交图中的聚类现象。主要贡献在于提出了一种稳健且低维的表示方法，仅使用子图频率和残差即可实现82%的准确率，对图类型（例如，邻里关系、群体、事件）进行精确分类。

ABSTRACT

A growing set of on-line applications are generating data that can be viewed as very large collections of small, dense social graphs -- these range from sets of social groups, events, or collaboration projects to the vast collection of graph neighborhoods in large social networks. A natural question is how to usefully define a domain-independent coordinate system for such a collection of graphs, so that the set of possible structures can be compactly represented and understood within a common space. In this work, we draw on the theory of graph homomorphisms to formulate and analyze such a representation, based on computing the frequencies of small induced subgraphs within each graph. We find that the space of subgraph frequencies is governed both by its combinatorial properties, based on extremal results that constrain all graphs, as well as by its empirical properties, manifested in the way that real social graphs appear to lie near a simple one-dimensional curve through this space. We develop flexible frameworks for studying each of these aspects. For capturing empirical properties, we characterize a simple stochastic generative model, a single-parameter extension of Erdos-Renyi random graphs, whose stationary distribution over subgraphs closely tracks the concentration of the real social graph families. For the extremal properties, we develop a tractable linear program for bounding the feasible space of subgraph frequencies by harnessing a toolkit of known extremal graph theory. Together, these two complementary frameworks shed light on a fundamental question pertaining to social graphs: what properties of social graphs are 'social' properties and what properties are 'graph' properties? We conclude with a brief demonstration of how the coordinate system we examine can also be used to perform classification tasks, distinguishing between social graphs of different origins.

研究动机与目标

• 开发一种与领域无关的坐标系，用于分析大规模小型密集社交图集合。
• 区分‘社交’属性（由人类行为产生的涌现特性）与‘图’属性（组合约束）
• 在统一空间中实现对不同图类型（例如，网络邻里、群体、事件）的比较分析。
• 评估局部子图频率是否能在分类任务中优于全局图特征。

提出的方法

• 将每个图表示为所有k个节点子图（k=3或4）的诱导子图频率向量，其中每个坐标表示诱导出特定子图H的k元组所占比例。
• 基于极值图论使用线性规划界定子图频率向量的可行区域，以捕捉普遍的组合约束。
• 开发一种单参数随机生成模型（边形成随机游走），其稳态分布与真实社交图在子图频率空间中的经验一维曲线高度吻合。
• 计算观测到的子图频率与基线模型（Erdős–Rényi模型和边形成随机游走模型）预测值之间的残差，以优化坐标系。
• 将子图频率向量与残差作为输入特征，通过五折交叉验证进行图分类。
• 比较仅使用子图频率、仅使用全局图特征，以及两者结合的分类性能。

实验结果

研究问题

• RQ1 基于子图频率的低维坐标系是否能有效表示并区分不同类型的社交图？
• RQ2 真实社交图在子图频率空间中在多大程度上沿一维曲线聚集？其背后的生成过程是什么？
• RQ3 组合极值约束如何限制所有图中子图频率的可行空间？
• RQ4 局部子图频率特征是否能在图类型分类中优于全局图特征？

主要发现

• 仅使用子图频率，对网络邻里、社交群体和事件的分类准确率达到77%。
• 基于边形成随机游走的随机生成模型在子图频率空间中与真实社交图的经验一维集中趋势高度一致。
• 引入相对于G_{n,p}模型或边形成随机游走模型的残差，将分类准确率最高提升了5个百分点，证明了其在优化坐标系中的价值。
• 将子图频率与全局图特征结合可获得最高准确率（81–82%），表明二者信息互补。
• 全局图特征（如连通分量大小、k核、退化度）的分类准确率低于仅使用子图频率的情况，准确率为69–76%。
• 子图频率的可行区域受极值图论约束，且可通过可计算的线性规划求解。