[发明专利]一种在社交网络上查找最稀疏群体方法

说明书

本发明提供一种在社交网络上查找最稀疏群体方法，本发明优先选择那些最短路径跳数(称为顶点距离)较大的顶点生成结果集，并利用有效的过滤和剪枝策略来提高算法的效率，根据顶点的度对顶点进行排序并提出新的遍历组合顺序，即基于度的反向分支界限(DRBB)，优先考虑那些度小的顶点，对于查找p较大的p个顶点的最稀疏群，丢弃度高的候选点以减少要考虑的顶点数量。

技术领域

本发明涉及空间数据库和社交网络领域，更具体地，涉及一种在社交网络上查找最稀疏群体方法。

背景技术

有很多研究是关于在社交网络中寻找特定群的。这些工作可以分为两类:寻找密集群/子图和寻找稀疏群。

1.社交网络上寻找密集的群/子图。

为了度量一个密集的群体，研究者们提出了几个指标，比如Seidman,S.B.在论文“Network structure and minimum degree”中提出的k-core，Huang,X.等人在论文“Querying ktruss community in large and dynamic graphs”中提出的k-truss，Mitzenmacher,M.在论文“Scalable large near-clique detection in large-scalenetworks via sampling”中提出的cliques和motifs等。而对于最密集群，A.V.Goldberg在论文“Finding a maximum density subgraph”中查找的是社交网络上密度最大的群体。A.V.Goldberg将图的密度定义为边数与图中顶点数的比值。Tsourakakis,C.于2015年在论文“The k-clique densest subgraph problem”中介绍了基于了k-clique的最密集子图问题，且提出了求解该问题的有效精确算法。Fang,Y.等人于2019年在论文“Efficientalgorithms for densest subgraph discovery”中，在理论保证的前提下通过k-core找到最密集的群，并设计了有效精确的最密集子图查找算法。然而，Tsourakakis,C.于2015年在论文“The k-clique densest subgraph problem”中发现最密集群体的精确算法只适用于小型社交网络。对于大型社交网络来说，效率太低了。为了解决这一问题，研究人员设计了许多近似算法。Charikar等人于2000年在论文“Greedy approximation algorithms forfinding dense components in a graph”中设计了一个2-近似算法来解决这个问题，他使用图中的平均度来衡量密度。除了精确算法外，Fang,Y.等人于2019年在论文“Efficientalgorithms for densest subgraph discovery”中还利用k-core设计了一个有效的近似解。Bahmani,B.等人于2012年在论文“Densest subgraph in streaming and mapreduce”中提出了一种参数化近似算法。该近似算法找到一个密度保证近似比为2(1+∈)(对于任意∈＞0)的群体。此外，许多研究者开始研究最密集群体问题的各种变体。Bhaskara，A.等人于2010年在论文“Detecting high log-densities：an o(n^1/4)approximation fordensest k-subgraph”中研究了最密集的k-subgraph问题。给定一个图G和一个参数k，该问题在G上找到一个大小为k且边数最多的群体。Qin，L.等人于2015年在论文“Locallydensest subgraph discovery”中的目的是发现前k个最密集的群体。另外，有向图上的最密集群也有很多研究工作。Kannan，R.等人于1999年在论文“Analyzing the structure oflarge graphs”中首先提出了有向图上的最密集群问题。当没有固定的大小来限制结果集时，一个2-近似算法被Khuller，S.等人于2009年在论文“On finding dense subgraphs”中提出来用于得到有向图中的最密集群。