alphacore

núcleo alfa

Estos son los archivos complementarios del artículo AlphaCore KDD.

Uso

Hasta que esté empaquetado, obtenga el archivo algoritmos/alphaCore.R

Obtenga un gráfico con vértices con nombre y pesos de arista:

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

Ejecute alphaCore con parámetros predeterminados

 > 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

Ejecute alphaCore con funciones de propiedad de borde integradas

 > 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

Ejemplo de implementación de Python (¡aportado por 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

Evaluación

Para ejecutarlo, primero debe descargar los tres conjuntos de datos:

Redes de tokens (11,4 GB)

Los archivos están alojados en: https://zenodo.org/record/4898412 Almacene transfers.db en data/tokens/transfers.db El archivo exchangeLabels.csv correspondiente debe colocarse en data/tokens/exchangeLabels.csv

Enlaces cruzados de Reddit

Los enlaces cruzados de Reddit son parte de http://snap.stanford.edu/conflict/conflict_data.zip. En el archivo zip, se pueden encontrar en /prediction/detailed_data/ Coloque el archivo en la ubicación data/reddit/post_crosslinks_info.tsv

Rutas de vuelo

Obtenga este archivo de http://opsahl.co.uk/tnet/datasets/openflights.txt y guárdelo en data/flights/openflights.txt.

Ejecutando la evaluación

Abra el archivo evaluación.R del directorio principal.

Este es el archivo principal para ejecutar la evaluación. Ingrese su número de núcleos de CPU y la ruta al archivo de base de datos extraído.

Para ejecutar toda la evaluación, lo ideal es hacerlo en un servidor con Rscript, ya que algunos algoritmos, es decir, algunas centralidades que dependen de los cálculos de la ruta más corta de todos los pares, y nuestra propia implementación de k-core ponderado, tienen tiempos de ejecución muy largos. La ejecución completa demora entre 1 y 3 días, según el hardware.

Sin embargo, AlphaCore con un tamaño de paso que decrece exponencialmente es bastante rápido, aunque es solo una implementación de R.

Citando

Utilice la siguiente entrada BibTeX:

 @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}
}