alphacore

AlphaCore

Dies sind die ergänzenden Dateien für das AlphaCore KDD-Papier.

Verwendung

Bis dies gepackt ist, beziehen Sie die Datei algorithms/alphaCore.R als Quelle

Erhalten Sie ein Diagramm mit benannten Eckpunkten und Kantengewichten:

 g <- erdos.renyi.game(200, 2/200, directed = T)
E(g)$weight <- 1:ecount(g)
V(g)$name <- paste("v", 1:vcount(g), sep="")

Führen Sie alphaCore mit Standardparametern aus

 > alphaCore(g)
     node     alpha batch
  1:   v1 0.3281309    19
  2:   v2 0.3281309    30
  3:   v3 0.3724843    34
  4:   v4 0.3281309    23
  5:   v5 0.3281309    19
 ---                     
196: v196 0.3281309    28
197: v197 0.0000000     1
198: v198 0.3724843    34
199: v199 0.3281309    23
200: v200 0.3281309    23

Führen Sie alphaCore mit integrierten Edge-Eigenschaftsfunktionen aus

 > alphaCore(g, featureComputeFun = customNodeFeatures(c("indegree", "triangles")))
     node     alpha batch
  1:   v1 0.3060040    14
  2:   v2 0.0000000     6
  3:   v3 0.0000000     5
  4:   v4 0.0000000     5
  5:   v5 0.0000000     6
 ---                     
196: v196 0.6381691    19
197: v197 0.0000000     5
198: v198 0.0000000     5
199: v199 0.6381691    19
200: v200 0.0000000     8

Beispiel für eine Python-Implementierung (beigetragen von Jason Zhu!):

 > import networkx as nx
> G = nx.erdos_renyi_graph(n=200, seed=1, p=2/200, directed=True)
> for idx, (u,v,w) in enumerate(G.edges(data=True)):
      w['value'] = idx

> alphaCore(G)
   nodeID 	alpha   batchID
0 	    18 	  0.0         0
1 	    75 	  0.0 	     0
2 	    78 	  0.0 	     0
3 	    25 	  0.3 	     5
4 	    91 	  0.3 	     5
... 	... 	  ... 	   ...
195 	  8 	  0.7 	    27
196 	131 	  0.7 	    27
197 	185 	  0.7 	    27
198 	192 	  0.7 	    27
199 	158 	  0.7 	    28

Auswertung

Zum Ausführen müssen Sie zunächst die drei Datensätze herunterladen:

Token-Netzwerke (11,4 GB)

Die Dateien werden unter https://zenodo.org/record/4898412 gehostet. Speichern Sie die Datei „transfers.db“ in data/tokens/transfers.db. Die passende Datei „exchangeLabels.csv“ sollte unter „data/tokens/exchangeLabels.csv“ abgelegt werden

Reddit-Crosslinks

Die Reddit-Crosslinks sind Teil von http://snap.stanford.edu/conflict/conflict_data.zip. In der ZIP-Datei sind sie in /prediction/detailed_data/ zu finden. Platzieren Sie die Datei am Speicherort data/reddit/post_crosslinks_info.tsv

Flugrouten

Holen Sie sich diese Datei von http://opsahl.co.uk/tnet/datasets/openflights.txt und speichern Sie sie in data/flights/openflights.txt.

Ausführen der Auswertung

Öffnen Sie die Datei „evaluation.R“ aus dem Hauptverzeichnis.

Dies ist die Hauptdatei zum Ausführen der Auswertung. Geben Sie die Anzahl Ihrer CPU-Kerne und den Pfad zur extrahierten Datenbankdatei ein.

Um die gesamte Auswertung auszuführen, tun Sie dies idealerweise auf einem Server mit Rscript, da einige Algorithmen, dh einige Zentralitäten, die von der Berechnung des kürzesten Pfads aller Paare abhängen, und unsere eigene Implementierung von gewichtetem K-Core sehr lange Laufzeiten haben. Die vollständige Ausführung dauert je nach Hardware zwischen 1 und 3 Tagen.

AlphaCore mit einer exponentiell abfallenden Schrittweite ist jedoch recht schnell, obwohl es sich nur um eine R-Implementierung handelt.

Zitieren

Bitte verwenden Sie den folgenden BibTeX-Eintrag:

 @inproceedings{10.1145/3447548.3467322,
author = {Victor, Friedhelm and Akcora, Cuneyt G. and Gel, Yulia R. and Kantarcioglu, Murat},
title = {Alphacore: Data Depth Based Core Decomposition},
year = {2021},
isbn = {9781450383325},
publisher = {Association for Computing Machinery},
address = {New York, NY, USA},
url = {https://doi.org/10.1145/3447548.3467322},
doi = {10.1145/3447548.3467322},
booktitle = {Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining},
pages = {1625–1633},
numpages = {9},
keywords = {core decomposition, networks, data depth},
location = {Virtual Event, Singapore},
series = {KDD '21}
}