Rank degree: An efficient algorithm for graph sampling

Voudigari, Elli; Salamanos, Nikos; Papageorgiou, Theodore; Yannakoudakis, E. J.

doi:10.1109/asonam.2016.7752223

Cited by 35 publications

(23 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…A detailed analysis of the algorithm can be found in Voudigari et al (2016) and Salamanos et al (2017) , where we have thoroughly studied the properties and the efficiency of the algorithm as well as other variations of the selection rule.…”

Section: The Rank Degree Methodsmentioning

confidence: 99%

“…A first preliminary study which investigates the applications of graph sampling to the influential spreaders identification problem has been conducted in Salamanos et al (2016) , where we studied the effectiveness of Rank Degree as influential spreaders identifier. The Rank Degree is a graph exploration sampling method which can produce representative samples/subgraphs from an unknown graph, using only local information, that is the degree of the visited nodes ( Voudigari et al 2016 ; Salamanos et al 2017 ).…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

A graph exploration method for identifying influential spreaders in complex networks

2017

Self Cite

View full text Add to dashboard Cite

The problem of identifying the influential spreaders - the important nodes - in a real world network is of high importance due to its theoretical interest as well as its practical applications, such as the acceleration of information diffusion, the control of the spread of a disease and the improvement of the resilience of networks to external attacks. In this paper, we propose a graph exploration sampling method that accurately identifies the influential spreaders in a complex network, without any prior knowledge of the original graph, apart from the collected samples/subgraphs. The method explores the graph, following a deterministic selection rule and outputs a graph sample - the set of edges that have been crossed. The proposed method is based on a version of Rank Degree graph sampling algorithm. We conduct extensive experiments in eight real world networks by simulating the susceptible-infected-recovered (SIR) and susceptible-infected-susceptible (SIS) epidemic models which serve as ground truth identifiers of nodes spreading efficiency. Experimentally, we show that by exploring only the 20% of the network and using the degree centrality as well as the k-core measure, we are able to identify the influential spreaders with at least the same accuracy as in the full information case, namely, the case where we have access to the original graph and in that graph, we compute the centrality measures. Finally and more importantly, we present strong evidence that the degree centrality - the degree of nodes in the collected samples - is almost as accurate as the k-core values obtained from the original graph.

show abstract

Section: The Rank Degree Methodsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

A graph exploration method for identifying influential spreaders in complex networks

2017

Self Cite

View full text Add to dashboard Cite

show abstract

“…Indeed, non-sampled nodes with strong connections to the already sampled nodes, even with high degree, may not be collected. In the Rank Degree method [12], the exploration rule is slightly different, the degree of the neighbors guides the propagation. Furthermore, the initial set may contain many nodes taken at random, while the previous sampling uses a single or a few starting points.…”

Section: Related Workmentioning

confidence: 99%

Spikyball Sampling: Exploring Large Networks via an Inhomogeneous Filtered Diffusion

2020

View full text Add to dashboard Cite

Studying real-world networks such as social networks or web networks is a challenge. These networks often combine a complex, highly connected structure together with a large size. We propose a new approach for large scale networks that is able to automatically sample user-defined relevant parts of a network. Starting from a few selected places in the network and a reduced set of expansion rules, the method adopts a filtered breadth-first search approach, that expands through edges and nodes matching these properties. Moreover, the expansion is performed over a random subset of neighbors at each step to mitigate further the overwhelming number of connections that may exist in large graphs. This carries the image of a “spiky” expansion. We show that this approach generalize previous exploration sampling methods, such as Snowball or Forest Fire and extend them. We demonstrate its ability to capture groups of nodes with high interactions while discarding weakly connected nodes that are often numerous in social networks and may hide important structures.

show abstract

“…Is there any ideal number of nodes to follow? If such a number exists, is it dependent on the degree of the nodes being visited in each time step [131]?…”

Section: Chapter Introduction 11 Motivation and Problem Statementmentioning

confidence: 99%

“…Thus, a sampling method could serve effectively as a best spreaders identifier if and only if: (a) the fraction of top-k common nodes in the samples and in the graph is on average sufficiently large and (b) the rankings of these nodes in the samples are close to the original ranking in the graph. We address these requirements using Rank Degree [131], a graph exploration sampling method which has been proved to outperform other well-known methods such as the Forest Fire and the Frontier sampling [79,76,109]. We conduct extensive experiments in five real-world networks using four centrality metrics in order to rank the nodes with respect to spreading efficiency.…”

Section: Chapter Introduction 11 Motivation and Problem Statementmentioning

confidence: 99%

Graph mining In complex networks and prediction in the web graph

Voudigari¹,

Βουδιγάρη²

View full text Add to dashboard Cite

Η μελέτη των πραγματικών δικτύων έχει προσελκύσει σημαντική προσοχή κατά τις τελευταίες δεκαετίες από πολλούς τομείς όπως η Βιολογία, η Πληροφορική, τα Οικονομικά, η Μιχανική, τα Μαθηματικά, η Φυσική, η Κοινωνιολογία και η Στατιστική. Η ανάγκη για τη διερεύνησή τους φανέρωσε την υπεροχή του πεδίου της Εξόρυξης γνώσης από γράφους, το οποίο αποτελεί ένα δυναμικό εργαλείο για την αναπαράσταση δεδομένων (ως γράφους). Οι γράφοι έχουν αναδειχθεί ως πολύ σημαντικοί για τη μοντελοποίηση πολύπλοκων δομών και για την ανάλυση των τοπολογικών χαρακτηριστικών μεγάλων και πολύπλοκων δικτύων, και κυρίως κατά τα τελευταία χρόνια, λόγω της τεράστιας ανάπτυξης του Παγκόσμιου Ιστου και της μεγάλης δημοτικότητας των κοινωνικών δικτύων. Σε αυτό το είδος δικτύων, μοιράζονται και μεταφέρονται μεγάλου όγκου πληροφορίες και δεδομένα μεταξύ εκατομμυρίων ή ακόμα και δισεκατομμυρίων χρηστών. Ο απλούστερος τρόπος ανάλυσής τους είναι εφικτός μέσω της μετατροπής τους σε γράφους, όπου οι κόμβοι αναπαριστούν τους χρήστες και οι ακμές μεταξύ των κόμβων περγράφουν τις μεταξύ τους σχέσεις (φιλίες).Στην παρούσα Διατριβή, αρχικά επικεντρωθήκαμε στη διερεύνηση του φαινομένου της ομοφιλίας σε έναν υπογράφο του Facebook, ο οποίος συλλέχθηκε μέσω της μεθόδου BFS (Breadth First Search). Εφαρμόζοντας έναν αλγόριθμο ανίχνευσης κοινοτήτων και βασιζόμενοι μόνο στη γραφική δομή, αποπειραθήκαμε να εξετάσουμε τη συσχέτιση μεταξύ αυτών των κοινοτήτων του κοινωνικού δικτύου και των χαρακτηριστικών των χρηστών τους που αναπαρίστανται από τις προτιμήσεις τους (Likes). Το αποτέλεσμα της μελέτης αυτής οδήγησε στο συμπέρασμα ότι τα Likes των χρηστών αποτελούν κριτήριο διαχωρισμού μεταξύ των κοινοτήτων και επιβεβιώνουν τη διαίσθηση που μας οδήγησε σε αυτή τη διερεύνηση.Στη συνέχεια, συλλέξαμε έναν μεγαλύτερο υπογράφο του Facebook, αποτελούμενο από 10 εκατομμύρια χρήστες και 80 εκατομμύρια σχέσεις μεταξύ των χρηστών. Προκειμένου να ανακαλύψουμε τις σημαντικές τοπολογικές ιδιότητες αυτού του τεράστιου γράφου, καθώς και άλλων πραγματικών δικτύων, κατευθυνθήκαμε στη μελέτη μεθόδων δειγματοληψίας γράφων. Αυτή η απόπειρά μας οδήγησε στην επινόηση της μεθόδου Rank Degree, ενός νέου αλγορίθμου δειγματοληψίας γράφων (δικτύων) που βασίζεται στην επιλογή ακμών. Η πειραματική αξιολόγηαη, κατόπιν εφαρμογής μεγάλου πλήθους αποτελεσματικών αλγορίθμων δειγματοληψίας πάνω σε διαφόρων ειδών πραγματικά δίκτυα απέδειξαν την υπεροχή της Rank Degree έναντι αυτών. Η επέκταση αυτής της μελέτης, στην οποία παρουσιάζονται τα διεξοδικά πειράματα που διενεργήθηκαν σε διαφορετικά και μεγάλου μεγέθους δίκτυα, ανέδειξαν πολλά από τα πλεονεκτήματα της Rank Degree, καθώς και την υπεροχή της συγκριτικά με πολύπλοκους και εξαιρετικά αποτελεσματικούς αλγορίθμους δειγματοληψίας γράφων.Επιπλέον, καταπιαστήκαμε με το πρόβλημα της ανίχνευσης των σημαντικών κόμβων ενός πολύπλοκου δικτύου, κάτω από μια διαφορετική σκοπιά σε σχέση με προηγούμενες μελέτες. Η προσέγγισή μας βασίστηκε στη δειγματοληψία γράφων και συγκεκριμένα, στις σημαντικές ιδιότητες της Rank Degree. Η μελέτη μας ανέδειξε την αποτελεσματικότητα της Rank Degree και στο πρόβλημα αυτό. Η συνέχεια αυτής της μελέτης εξαπλώθηκε σε επιδημιολογικά μοντέλα, όπως τα SIR και SIS, τα οποία έχουν τη σημαντική ιδιότητα της ανακάλυψης όλων των κόμβων ενός γράφου και της ανίχνευσης των πιο σημαντικών. Χρησιμοποιώντας τα ως ground truth πληροφορία, συγκρίναμε τα παραγόμενα αποτελέσματα σημαντικών κόμβων από τα SIR και SIS, με αυτά που παράχθηκαν από τα δείγματα της Rank Degree και άλλων περίπλοκων και αποτελεσματικών μεθόδων. Τα αποτελέσματα απέδειξαν ότι ο αλγόριθμός μας υπερέχει και πάλι έναντι των υπολοίπων μεθόδων, ενώ παράλληλα είναι συγκρίσιμος με τόσο σημαντικά επιδημιολογικά μοντέλα.Στο τελευταίο τμήμα της Διατριβής, το πρόβλημα της ανίχνευσης των σημαντικών κόμβων μεταφέρεται στο γράφο του Παγκόσμιου Ιστού υπό διαφορετική σκοπιά. Συλλέξαμε τα αποτελέσματα (ιστοσελίδες) από διάφορα ερωτήματα (queries) σε δημοφιλείς μηχανές αναζήτησης (Google, Yahoo) και συγκεκριμένα, εκείνες τις ιστοσελίδες που βρίσκονται στις πρώτες θέσεις και τη σειρά κατάταξής τους σε διαδοχικά στιγμιότυπα. Ασφαλώς, οι πιο σημαντικές ιστοσελίδες (κόμβοι) του γράφου του Παγκόσμιου Ιστού βρίσκονται στις πρώτες θέσεις των ερωτημάτων που τέθηκαν. Χρησιμοποιώντας αυτή την τοπική πληροφορία, προτείναμε κάποιες μεθόδους Μηχανικής Μάθησης, προκειμένου να προβλέψουμε αν οι κόμβοι ενός μη στατικού γράφου, όπως ο Παγκόσμιος Ιστός, θα παραμείνουν στις υψηλότερες θέσεις στο κοντινό μέλλον. Η ποιότητα της πρόβλεψης καθορίσθηκε από την ομοιότητα μεταξύ της προβλεπόμενης και της πραγματικής σειράς κατάταξης των ιστοσελίδων. Διενεργήσαμε διεξοδικά πειράματα σε πραγματικά δεδομένα μεγάλου μεγέθους, χρησιμοποιήσαμε μεγάλο πλήθος μέτρων ομοιότητας για τη σύγκριση των σημαντικών κόμβων, ενώ προτείναμε κι ένα νέο και μάλιστα, πιο αυστηρό μέτρο. Οι προβλέψεις μας υπήρξαν ενθαρρυντικές, ενώ τα αποτελέσματα προσφέρουν πολλά ενδιαφέροντα θέματα προς μελλοντική διερεύνηση των μη στατικών γράφων, οι οποίοι εξελίσσονται με το πέρασμα του χρόνου.

show abstract

Rank degree: An efficient algorithm for graph sampling

Cited by 35 publications

References 17 publications

A graph exploration method for identifying influential spreaders in complex networks

A graph exploration method for identifying influential spreaders in complex networks

Spikyball Sampling: Exploring Large Networks via an Inhomogeneous Filtered Diffusion

Graph mining In complex networks and prediction in the web graph

Contact Info

Product

Resources

About