Graph sampling refers to the proces

Graph sampling refers to the process of deriving a small subset of nodes from a possibly huge graph in order to estimate properties of the whole graph from examining the sample. Whereas topological properties can already be obtained accurately by sampling, current approaches do not take possibly hidden dependencies between node topology and attributes into account. Especially in the context of online social networks, node attributes are of importance as they correspond to properties of the social network’s users. Therefore, existing sampling algorithms can be extended to attribute sampling, but still lack the capturing of structural properties. Analyzing topology (e.g., node degree and clustering coefficient) and attribute properties (e.g., age and location) jointly can provide valuable insights into the social network and allows for a better understanding of social processes. As major contribution, this work proposes a novel sampling algorithm which provides unbiased and reliable estimates of joint topological and attribute based graph properties in a resource efficient fashion. Furthermore, the obtained samples allow for the generation of synthetic graphs, which show high similarity to the original graph with respect to topology and attributes. The proposed sampling and generation algorithms are evaluated on real world social network graphs, for which they demonstrate to be effective.

ผลลัพธ์ (ไทย) 1:

สุ่มตัวอย่างกราฟแสดงถึงกระบวนการของบริษัทฯ ย่อยขนาดเล็กของโหนจากกราฟอาจใหญ่เพื่อประเมินคุณสมบัติของกราฟทั้งหมดจากการตรวจสอบตัวอย่าง ในขณะที่คุณสมบัติ topological แล้วได้อย่างถูกต้อง โดยการสุ่มตัวอย่าง วิธีปัจจุบันใช้ไม่อาจซ่อนความสัมพันธ์ระหว่างโครงสร้างโหนและแอตทริบิวต์เข้าบัญชี โดยเฉพาะอย่างยิ่งในบริบทของเครือข่ายสังคมออนไลน์ แอตทริบิวต์โหนเป็นสำคัญที่สอดคล้องกับคุณสมบัติของผู้ใช้ของเครือข่ายสังคม ดังนั้น กระบวนการสุ่มตัวอย่างที่มีอยู่สามารถขยายให้สุ่มตัวอย่างของแอตทริบิวต์ แต่ยัง ขาดจับโครงสร้าง วิเคราะห์โครงสร้าง (เช่น ปริญญาโหนและสัมประสิทธิ์ระบบคลัสเตอร์) และคุณสมบัติของแอททริบิวต์ (เช่น อายุและตำแหน่ง) ร่วมให้ลึกเครือข่ายทางสังคมที่มีคุณค่า และทำให้ความเข้าใจของกระบวนการทางสังคม เป็นส่วนสำคัญ งานนี้นำเสนอขั้นตอนวิธีการสุ่มตัวอย่างนวนิยายที่น่าเชื่อถือ และคนประเมินร่วม topological และแอตทริบิวต์ตามกราฟคุณสมบัติในทรัพยากรอย่างมีประสิทธิภาพ นอกจากนี้ ตัวอย่างการได้รับอนุญาตสำหรับการสร้างกราฟสังเคราะห์ ที่แสดงความสูงคล้ายกับกราฟเดิมกับโทโพโลยีและแอตทริบิวต์ การเสนอสุ่มตัวอย่างและสร้างอัลกอริทึมมีค่าบนโลกจริงกราฟเครือข่ายทางสังคม ซึ่งพวกเขาแสดงให้เห็นถึงจะมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 2:

การสุ่มตัวอย่างกราฟหมายถึงกระบวนการของ deriving ย่อยเล็ก ๆ ของโหนดจากกราฟขนาดใหญ่อาจจะเพื่อประเมินคุณสมบัติของกราฟทั้งจากการตรวจสอบตัวอย่าง ขณะที่คุณสมบัติ topological แล้วสามารถรับได้อย่างถูกต้องโดยการสุ่มตัวอย่างวิธีการในปัจจุบันไม่ได้ใช้การอ้างอิงอาจซ่อนอยู่ระหว่างโครงสร้างโหนดและแอตทริบิวต์เข้าบัญชี โดยเฉพาะอย่างยิ่งในบริบทของเครือข่ายสังคมออนไลน์คุณลักษณะโหนดที่มีความสำคัญที่พวกเขาสอดคล้องกับคุณสมบัติของผู้ใช้เครือข่ายสังคม ดังนั้นขั้นตอนวิธีการสุ่มตัวอย่างที่มีอยู่สามารถขยายไปยังแอตทริบิวต์การสุ่มตัวอย่าง แต่ยังขาดการจับภาพของคุณสมบัติโครงสร้าง การวิเคราะห์โครงสร้าง (เช่นการศึกษาระดับปริญญาโหนดและค่าสัมประสิทธิ์การจัดกลุ่ม) และคุณลักษณะคุณสมบัติ (เช่นอายุและสถานที่) ร่วมกันสามารถให้ข้อมูลเชิงลึกที่มีคุณค่าเป็นเครือข่ายทางสังคมและช่วยให้มีความเข้าใจที่ดีขึ้นของกระบวนการทางสังคม ในฐานะที่เป็นผลงานที่สำคัญงานนี้นำเสนอขั้นตอนวิธีการสุ่มตัวอย่างนวนิยายซึ่งให้ประมาณการที่เป็นกลางและเชื่อถือได้ของทอพอโลยีและแอตทริบิวต์ร่วมตามคุณสมบัติกราฟในแฟชั่นทรัพยากรที่มีประสิทธิภาพ นอกจากนี้กลุ่มตัวอย่างที่ได้รับอนุญาตให้มีการสร้างกราฟสังเคราะห์ซึ่งแสดงให้เห็นความคล้ายคลึงกันสูงกราฟเดิมที่เกี่ยวกับโครงสร้างและคุณลักษณะ กลุ่มตัวอย่างที่นำเสนอและขั้นตอนวิธีการผลิตได้รับการประเมินในโลกแห่งความจริงกราฟเครือข่ายทางสังคมที่พวกเขาแสดงให้เห็นว่ามีประสิทธิภาพ

ผลลัพธ์ (ไทย) 3:

ตัวอย่างกราฟหมายถึงกระบวนการของ deriving ย่อยขนาดเล็กของโหนดจากกราฟอาจจะขนาดใหญ่ เพื่อประเมินคุณสมบัติของกราฟ ทั้งจากการตรวจสอบตัวอย่าง ในขณะที่คุณสมบัติรูปแบบแล้วสามารถได้ถูกต้อง โดยการสุ่มตัวอย่างวิธีการ ปัจจุบันไม่ได้ใช้อาจจะซ่อน dependencies ระหว่างโครงสร้างโหนดและคุณลักษณะการเข้าบัญชีโดยเฉพาะอย่างยิ่งในบริบทของสังคมเครือข่ายออนไลน์ คุณลักษณะสำคัญของโหนดที่สอดคล้องกับคุณสมบัติของผู้ใช้เครือข่ายทางสังคมของ ดังนั้น ที่มีอยู่ตัวอย่างอัลกอริทึมสามารถขยายในลักษณะสุ่ม แต่ยังขาดภาพคุณสมบัติของโครงสร้าง การวิเคราะห์โครงสร้าง ( เช่น ระดับของโหนดและการจัดกลุ่ม coefficient ) และคุณสมบัติคุณลักษณะ ( เช่นอายุและตำแหน่ง ) ร่วมกันสามารถให้ข้อมูลเชิงลึกที่มีคุณค่าในสังคม และช่วยให้เพื่อความเข้าใจที่ดีขึ้นของกระบวนการทางสังคม บริษัท เมเจอร์ งานนี้นำเสนอขั้นตอนวิธีการใหม่ซึ่งมีคนเป็นกลางและเชื่อถือได้ประมาณร่วม และคุณสมบัติตามรูปแบบของกราฟในทรัพยากรที่มีประสิทธิภาพแฟชั่น นอกจากนี้นำตัวอย่างที่ช่วยให้สำหรับการสร้างกราฟสังเคราะห์ ซึ่งแสดงความคล้ายคลึงกันสูงของกราฟเดิมตามแบบและคุณลักษณะ นำเสนอตัวอย่างและขั้นตอนวิธีการผลิตจะถูกประเมินบนกราฟเครือข่ายสังคมโลกจริงที่พวกเขาแสดงให้เห็นถึงผล