作者在这篇论文中给出了一种新的graph sample方法。真实数据中的graph规模一般都比较大，比如facebook之类的数据，通过sample一些小的子图出了进行分析，也能对这些graph数据的性质有种管中窥豹的效果。

为了保证图的某个特殊性质（degree distributions, clustering coeffcients等），就有不同的子图sample方法。因此sample子图的方法有很多，这些方法也没有什么优劣之分。

可是，这篇论文的作者注意到，之前的方法大多关注的是对图中节点的sample，而不注意边的问题。也就是，之前的方法都是先sample出一个节点子集，然后如果这个子集中的两个点在原图中有边，那么该两点在子图中就有边，否则在子图中就没有边。这样产生的问题是，如果原图中两节点有很多公共邻居，但他们之间却没有直接相连的边，那么在sample出来的子图中他们就是不相连的，这使得子图与原图的性质有很多的差异。

因此，作者提出用Personalized Pagerank Values（PPV）作为要保护的性质，已获得能更好模拟原图性质的子图。

最后我们看看实验结果吧。



转载本文请联系原作者获取授权，同时请注明本文来自谢龙科学网博客。
链接地址：https://blog.sciencenet.cn/blog-483379-453426.html

上一篇：中国审稿人怎么了？竟然把评审的稿件拒了后，换上自己的名字重投
下一篇：发现抄袭论文，编辑应该如何处理？