图形分区算法与Neo4j图数据库

Question

我知道有一些着名的图形分区算法工具，如METIS，由karypis Lab实现（http://glaros.dtc.umn.edu/gkhome/metis/metis/overview）

但我想知道是否有任何方法来分割存储在Neo4j中的图形？ 或者我必须转储Neo4j的数据并手动转换节点和边缘格式以适应METIS输入格式？

Answer 1

关于新的和有趣的算法，这绝不是详尽的或现有的，但这些是我看的第一个地方：

特定算法：DiDiC (Distributed Diffusive Clustering) - 我在论文中使用了一次（Partitioning Graph Databases）

• 您遍历所有节点，然后为每个节点检索所有邻居，以便将“某些单位”传播给所有邻居
• 易于实施。
• 可以确定性
• 迭代 - 因为它基于迭代（如Pregel中的Super Steps），您可以随时停止它。从理论上讲，离开它的时间越长，结果越好（尽管在某些情况下，在某些图形上它可能不稳定）
• 当我们实现这一点时，我们在一台内存约为30GB的机器上进行了100次迭代，最多可达400万个节点 - 完成时间不超过两天。

特定算法：EvoCut "Finding sparse cuts locally using evolving sets" - 来自Microsoft的本地概率算法 - related to these papers

• 难以实施
• 本地算法 - 类似BFS的访问模式（随机漫步）
• 我阅读那篇论文已经有一段时间了，但我记得它建立在干净的抽象基础之上：
  • EvoNibble（可插入 - 决定要添加到当前群集的邻域数量
  • EvoCut（多次调用EvoNibble以查找本地群集）
  • EvoPartition（重复调用EvoCut以对整个图表进行分区）
• 不确定

通用算法系列：Hierarchical Graph Clustering

从高层次开始：

• 通过将节点折叠为聚合节点来粗化图形
  • 粗化策略是可选择的
• 在粗化/小图中查找群集
  • 可选择聚类策略
• 逐步修饰图表，在每一步的聚类处进行细化
  • 可选择精炼策略

注意：

• 如果图表变化缓慢（或结果不需要更新），可能会粗化一次（或不经常）然后使用粗化图表 - 以节省计算
• 我不知道推荐的具体算法

一般限制 - 少数群集算法所做的事情：

• 未确认的节点类型 - 即所有节点均等处理
• 未确认的关系类型 - 即所有关系均等待
• 未承认关系方向 - 即被视为无向的关系

Answer 2

过去曾与METIS和Neo4j独立合作，我不知道有任何工具可以从Neo4j生成METIS文件。话虽这么说，编写这样一个工具应该是一项容易的任务，并且将是一个很好的社区贡献。

将METIS与Neo4j集成的另一种方法可能是通过JNI将METIS从C ++连接到Neo4j。然而，这将涉及更多，因为它必须处理事务，并发等事情。

关于分区图的更一般的问题，很有可能通过合理的努力实现一些更为人熟知和简单的算法。