Эмпирическое сравнение различных техник семплирования для задач анализа крупного графа

Данных из социальных сетей, различных сайтов, где имеется множество взаимодействующих друг с другом пользователей моделируются как большой граф, в котором узлы обозначают сущности или экземпляры (например, пользователь), а ребра обозначают отношения между узлами (например, дружба или соавторство). В реальном мире данные о пользователях появляются повсюду, типичными примерами являются сети дружбы в Facebook, соавторские и библиографические сети в DBLP. Такие графы очень велики по размеру и содержат миллионы узлов и ребер [6]. Например, некоторые недавние статистические данные показывают, что Facebook, крупнейшая онлайн-социальная сеть, имеет 2,072 миллиарда активных пользователей по состоянию на январь 2020 года, и каждые 20 минут друзья обмениваются одним миллионом ссылок [4].

---

Чтобы заказать написание дипломной работы по культурологии нужно всего лишь заполнить форму заказа. Переходите по ссылке, заполняйте форму и мы поможем вам с написанием диплома!

---

. Огромное количество данных, ежедневно создаваемых в социальных сетях, стали отличным источником информации для различных целей, таких как социологические исследования и маркетинговый анализ. Поэтому для разработчиков данных крайне важно разработать эффективные, действенные и систематические подходы к обработке реальных ситуаций, когда размер сети огромен. Одной из стратегий обработки таких крупномасштабных сетей является сэмплирование, т.е. выбор подмножества вершин или ребер из исходного графа таким образом, чтобы свойства исходного графа могли быть аппроксимированы выбранным графом [1]. Цель текущего исследования состоит в применение различных методов сэмплирования для анализа крупного графа. В соответствии с целью поставлены следующие задачи: - Обобщить теоретические основы сэмплирования для анализа крупного графа; - Определить практические особенности применение методов сэмплирования для анализа крупного графа; - Реализовать на практике выбранные модели сэмплирования на крупном графе. Объект исследования представлен в виде крупного графа, моделируемого самостоятельно. Предметом исследования является использование методов сэмплирования для анализа крупного графа. Информационной базой работы явились специальная литература, периодика по моделированию крупных графов и реализации моделей сэмплирования на языке Python. Методы исследования: аналитические, монографические, логические и графические методы, абсолютные и относительные статистические величины, компьютерное и математическое моделирование. Информационной базой исследования послужили научно-практические разработки отечественных и зарубежных авторов, статьи, аналитические отчеты и электронные ресурсы. Структура данной работы определена задачами исследования. Работа состоит из введения, трех глав, заключения и списка литературы.

Таким образом, графы, или сети, были созданы в качестве мощной теоретической основы для моделирования взаимодействий в различных сценариях. Доступность реальных графов в последние годы побудила к широкому спектру исследований свойств таких графов. В текущей работы были изучены и проанализированы несколько алгоритмов сэмплирования больших графов. Методы, сочетающие случайный выбор узлов и небольшое исследование окрестностей, дают наилучшие выборки. «Лесной пожар» является наиболее эффективным алгоритмом выборки. Будущая работа может быть сосредоточена на выборке из графов со взвешенными ребрами, в отличие от нынешних весов, равных нулю, а также выборке на графах с помеченными ребрами. Другим направлением было бы сосредоточение внимания на алгоритмах выборки для оценки одного свойства графа (например, диаметра, количества триад) и определения точных оценок (соотношений масштабирования) и оценки их дисперсии и систематической ошибки.  

1. Дробышевский М. Д. Методы и программные средства моделирования и генерации сложных сетей с сохранением графовых свойств : дис. – автореферат диссертации на соискание ученой степени кандидата физико-математических наук/Дробышевский Михаил Дмитриевич. 2. Кобзев И. С. Реализация класса экспоненциальной модели случайного графа с методом подбора параметров //ВОПРОСЫ УСТОЙЧИВОГО РАЗВИТИЯ ОБЩЕСТВА Учредители: ООО" Институт развития образования и консалтинга". – №. 4. – С. 1498-1501. 3. Кузьмин Д. Ю., Абрамов В. Г. ИЕРАРХИЧЕСКАЯ РЕДУКЦИЯ ГРАФА С АТРИБУТАМИ //Национальная ассоциация ученых. – 2018. – №. 9 (36). – С. 41-45. 4. Lin M. et al. Resource-Efficient Training for Large Graph Convolutional Networks with Label-Centric Cumulative Sampling //Proceedings of the ACM Web Conference 2022. – 2022. – С. 1170-1180. 5. Liu C. et al. Sampling business process event logs using graph‐based ranking model //Concurrency and Computation: Practice and Experience. – 2021. – Т. 33. – №. 5. – С. e5974. 6. Liu X. et al. Sampling methods for efficient training of graph convolutional networks: A survey //IEEE/CAA Journal of Automatica Sinica. – 2021. – Т. 9. – №. 2. – С. 205-234. 7. Toriyama N., Yoshida M., Itoh T. Visualization of sub-network sets by iterative graph sampling frоm large scale networks //2021 25th International Conference Information Visualisation (IV). – IEEE, 2021. – С. 1-6.