Ego-VK

Ego-VK数据集是由VK俄罗斯创建的，用于社交网络中的好友推荐任务。该数据集包含了VK用户的自我网络（ego-nets），每个ego-net最多包含300个节点和4种不同类型的连接。数据集的主要任务是预测ego-net中新友谊的形成。数据集的创建过程基于VK用户的社交网络数据，通过分析用户的本地邻域结构来生成。该数据集的应用领域主要集中在社交网络中的好友推荐，旨在提高推荐系统的准确性和用户体验。

The Ego-VK dataset was created by VK (Russia) for friend recommendation tasks in social networks. It comprises ego-nets of VK users, with each ego-net containing up to 300 nodes and four distinct types of connections. The primary task of this dataset is to predict the formation of new friendships within ego-nets. The dataset is constructed based on VK users' social network data, generated by analyzing the local neighborhood structures of individual users. Its main application scenarios focus on friend recommendation in social networks, aiming to improve the accuracy of recommendation systems and enhance user experience.

搜集汇总

数据集介绍

构建方式

Ego-VK数据集的构建基于VK社交网络用户的自我网络（ego-nets），这些自我网络是从VK社交网络中随机抽取的样本。每个自我网络包含最多300个节点和4种不同类型的连接，其中一种连接表示友谊的年龄，其他三种连接描述了其他类型的关系。数据集的构建过程中，友谊的形成被用作地面真值，而自我网络中的其他连接则被视为基础连接。训练、验证和测试集通过随机划分生成，确保每个自我网络在不同集合中的独立性。

特点

Ego-VK数据集的主要特点在于其结构化的自我网络表示，每个自我网络包含最多300个节点和多种类型的连接，能够有效捕捉社交网络中的局部结构信息。此外，数据集中的连接类型多样，包括友谊的年龄和其他社交互动，这为模型提供了丰富的信息来源。数据集的设计旨在模拟真实的社交网络环境，使得模型能够在无节点特征的情况下进行链接预测任务。

使用方法

Ego-VK数据集主要用于社交网络中的链接预测任务，特别是友谊推荐。研究者可以使用该数据集训练和验证图神经网络（GNN）模型，以预测用户之间的潜在友谊。数据集的结构化设计使得模型能够专注于图结构信息，而无需依赖节点特征。通过分析自我网络中的局部结构，模型可以学习到用户之间的社交动态，从而生成高质量的友谊推荐。

背景与挑战

背景概述

Ego-VK数据集由俄罗斯最大的社交网络VK的研究团队于2024年引入，旨在解决社交网络中大规模图结构下的好友推荐问题。该数据集基于VK用户的自我网络（ego-nets）构建，每个ego-net包含最多300个节点和4种不同类型的连接。核心研究问题是如何在缺乏用户特征的情况下，利用图结构信息进行高效的好友推荐。Ego-VK数据集的引入为图神经网络（GNN）在社交网络中的应用提供了重要的基准，尤其在处理异质性、动态性和无节点特征的图结构时，展示了其潜在的应用价值。

当前挑战

Ego-VK数据集面临的挑战主要集中在两个方面：首先，社交网络中的图结构具有异质性和动态性，节点之间存在多种类型的连接（如友谊、消息、点赞等），且这些连接随时间变化，这使得传统的图神经网络难以直接应用。其次，构建过程中，数据集需要处理数十亿节点和连接，如何在保证模型复杂性的同时维持计算效率是一个巨大的挑战。此外，由于社交网络中缺乏有意义的节点特征，模型的设计必须依赖于图结构本身，这对模型的表达能力和泛化能力提出了更高的要求。

常用场景

经典使用场景

Ego-VK数据集的经典使用场景主要集中在社交网络中的好友推荐任务。该数据集通过提供用户自我网络（ego-nets）的结构信息，帮助模型预测潜在的好友关系。具体而言，数据集中的每个自我网络包含最多300个节点和4种不同类型的连接，模型通过分析这些局部结构来推断全局的好友推荐概率。

解决学术问题

Ego-VK数据集解决了社交网络中大规模图结构下的好友推荐问题。传统的基于启发式或因子分解的方法在处理复杂模型时往往难以扩展，且结果次优。该数据集通过引入监督学习模型，能够在不牺牲可扩展性的前提下，提升好友推荐的准确性。这为图神经网络在社交网络中的应用提供了新的研究方向，并推动了图结构数据分析领域的发展。

衍生相关工作

Ego-VK数据集的引入激发了大量基于图神经网络的研究工作。例如，WalkGNN模型通过引入二阶图神经网络，能够有效处理社交网络中的异质性和动态性问题。此外，该数据集还推动了图神经网络在无节点特征情况下的研究，促进了高阶图神经网络的理论和实践发展。相关工作还包括对图嵌入方法的改进，以及在其他领域（如化学分子分析）中的应用探索。