在社交網路中,如何去計算中兩個人之間的最短路徑?
騰訊朋友最近有新增這樣一個「六度人脈」功能,可以查看到你和一個陌生人之間可以通過哪幾個人認識,大概也就是所說的六度關係。
回歸到技術本身, 個人覺得這個功能非常強大,因為計算量非常大。 像朋友網這種是如何在海量的數據中,去找到兩個看似完全沒有關係的人之間的最短路徑呢?
Graph Database?抑或是MapReduce?或者是推薦引擎?
--
補充,本人其實不精演算法,只是好奇這一功能的實現,希望大家分享一下自己的看法。個人天真的認為,是不是應該需要藉助於Graph Database,預先將每一個User分布在圖的位置,然後再通過A*等尋路演算法去查找?
無邀自答。
我們實驗室跟linkedin有合作,提出了最短路徑的近似演算法,大大提高了計算效率,後來也部署在linkedin相關係統中,現在google、人人、Zynga應該也在使用相關的系統。
具體可參考如下兩篇paper:
http://www.cs.ucsb.edu/~ravenben/publications/pdf/rigel-collab11.pdf
http://www.cs.ucsb.edu/~ravenben/publications/pdf/vicinity-wosn12.pdf
項目主頁和源碼可參考:
Rigel: Fast and Scalable Analysis of Massive Social Graphs
這個計算開銷非常高,距離大於3以後是很難算出的。我知道Facebook里似乎已經實現這個功能。微軟因為和Facebook有合作關係,他們也實現了這種計算,據說比Facebook自己的要快一些。
我記得聽微軟亞洲研究院的一個報告講過基於這種大規模圖的計算,如最短距離,pagerank等,他們做的框架叫Trinity,利用了GraphDB和Pregel,這兩個的細節可以google到。
Facebook最近的工作提出「四度分離」,計算了所有用戶之間的最短距離,論文可以看:http://arxiv.org/pdf/1111.4570,其中介紹了他們使用的演算法,你可以參考看看。先佔坑寫些基本思路:
首先這個問題先簡化成六度計算,也就是,假設人與人之間關係最深為6,不計算超過6的。
然後,六度計算可以轉化成先用離線計算出3度人脈,然後再在需要查詢時,在線從兩端查3度人脈里有沒有對方三度人脈里出現的人,所以問題就轉化成了3度人脈計算。
3度人脈計算就是求稀疏矩陣的三次方:
遍歷所有邊,建立鄰接表。
然後再遍歷一遍所有邊,對每個邊上的點都需要遍歷該點上的所有一度邊,建立二度鄰接矩陣。按每個人有100個好友來算,大約計算量是100 * 邊數這個量級的。
然後再遍歷一遍由二度算出三度,由於二度邊大約每個點有100*100=10000條邊,所以計算量大約是10000 * 邊數這個量級。
邊數大約應該等於100倍的點數,這裡按100億來算,所以最終是
100萬億 這個量級= =
按一台機器每秒1億計算量來算,大約需要100萬秒,大約不超過12天即可得出結果。
單機就能在不算長的時間裡算出來啊= =
暫時沒去算內存佔用情況之類的,不知道有沒算錯。
=======================================
估計如果真到這個數量級,就只能想辦法把前面過程分散式化了
感謝朋友網這個驚艷的功能。以下僅為個人猜測,估計都是錯的,拋磚引玉獻醜了
假設朋友網的每一個人都能獲得300個直接人脈,那麼要計算甲到乙的路徑,需要遍歷甲的六度人脈300^6的確很可怕。。
實際操作中,還可以根據地區,職業,年齡,學校,等因素進行預判縮小範圍。
難道路由器不是干這個的嗎?
每個註冊用戶模擬成一個路由器如何,伺服器就清閑了。
BFS可解,當然你可以限制一個最大RAM消耗,超過此值認為無解,或者你用分散式等手段突破RAM制約,不過那已經和演算法本身沒關係了。
也可以用點啟發式方法,兩側BFS然後選取順序依照相關性之類的。這個就看要求到什麼程度了。
我們是從兩端的用戶向中間遍歷的,每一級都是廣度優先遍歷。
算出的路徑不一定是最短路徑,同時最短路徑也不一定是最優路徑。
我個人在這個應用上的使用需求,是熟人優先。所以如果要產品化,我會設計讓用戶介入選擇。
計算方法有在線和離線兩種
1、先說離線。
離線的好處是查詢速度快,查詢量大的時候省伺服器資源。做兩個庫,一個庫用來查詢,一個庫做離線計算,算出來兩兩距離之後,兩個庫切換,然後另一個庫繼續計算。缺點是存儲消耗較大,實效性不強。
floyd演算法就是專門算矩陣任意兩點之間最短路徑的演算法,這是最完全樸素的演算法,複雜度是O(n^3),
但實際產品的話肯定不能這麼幹了,計算量太大了,所以一般我們可以用很多不完全演算法,就是說大部分時候它比較準確,允許部分誤差。
比如說我們可以做6度假設,也就是說,假設絕大部分人之間的距離不超過6,那麼這樣計算量可以小很多。
聚類也可以減小很大計算量,把很相關的人聚在一起,簇的空間比較小,怎麼計算都行,再對簇外圍節點做一些特殊處理,提高準確度。
計算的時候可以使用很多現成的分散式框架,比如hadoop等,單機就別想玩了。
2、再說在線
在線的好處省空間,不用費很多資源保存計算結果,但計算的時候比較耗資源,人一上來搞不好就把伺服器撐爆了,另外比較耗資源。
在線就簡單了,直接雙向廣度優先搜索就行了,也可以做一些最大6度的限制,以免無限搜索。
個人推薦離線計算,比較穩定,實效性其實用戶也不關心也看不出來。
沒有專門搞過這個,所以只是大概想了一下,僅供參考。
……
說直接用某某輪子的,我覺得未免太背離題目本意。
1E+的節點,別說O(n^2)了,O(n)的話高並發之下我覺得都蠻暴力的……只是一個小功能,能分多少計算量啊。
從Linkedin之類的網站上來看,我個人的猜測是這樣的
離線:
計算每個用戶的所有1度鄰居、2度鄰居、……K度鄰居並保存。
在線:
當查詢用戶A和B之間的距離時,枚舉A用戶的1~K度鄰居,檢查其是否在B的1~K度鄰居之中。具體實現時,可以選擇1~K度鄰居中更少的那個。
這樣的話超過2K度的用戶關係都無法正確檢測,但是如果AB的距離在2K之內,單次查詢的時間是AB中鄰居數,這個比O(n)還是低了個量級的。完全load到內存的話也是可做的。
另外,離線部分也可以只在最開始做一次,之後在線地更新(每建立一個新的好友關係,也只需要在兩邊的K度鄰居之中各更新一遍)。
我的問題是,如果它是離線計算好的,那麼存儲運算結果是不可以接受的。如果任意兩個用戶都要存最短路徑,最終的矩陣肯定是稠密的。我們先不算它兩兩用戶要存下所有最短路徑的具體路徑。僅僅是兩兩用戶存一個int,我覺得複雜度就是不可以接受的。
我有一個idea,如果我們離線存儲最短路徑小於等於三的用戶網路圖,那麼在線我們就可以拿到路徑為6,9,12的。我看linkedin在提供長度超過3的路徑時,只提供了我認識人中誰和目標人物有路徑相連。用 Neo4j
1.創建節點
create
(p3:User {name:"張三"}),
(p4:User {name:"李四"}),
(p5:User {name:"王五"}),
(p6:User {name:"趙六"}),
(p7:User {name:"錢七"}),
(p8:User {name:"孫八"}),
(p9:User {name:"楊九"}),
(p10:User {name:"吳十"});
2.創建關係
match (p3),(p4)
where p3.name="張三" and p4.name="李四"
create (p3)-[:HAS_FRIEND]-&>(p4);
match (p3),(p5)
where p3.name="張三" and p5.name="王五"
create (p3)-[:HAS_FRIEND]-&>(p5);
match (p4),(p6)
where p4.name="李四" and p6.name="趙六"
create (p4)-[:HAS_FRIEND]-&>(p6);
match (p4),(p7)
where p4.name="李四" and p7.name="錢七"
create (p4)-[:HAS_FRIEND]-&>(p7);
match (p5),(p8)
where p5.name="王五" and p8.name="孫八"
create (p5)-[:HAS_FRIEND]-&>(p8);
match (p5),(p9)
where p5.name="王五" and p9.name="楊九"
create (p5)-[:HAS_FRIEND]-&>(p9);
match (p6),(p10)
where p6.name="趙六" and p10.name="吳十"
create (p6)-[:HAS_FRIEND]-&>(p10);
3.查詢兩人(張三和吳十)之間最短路徑
match p = shortestPath( (p3:User {name:"張三"})-[:HAS_FRIEND*..3]-&>(p10:User {name:"吳十"}) ) return p;
結果如下圖:
美國的一個新聞分享網站Buzzfeed,它的一個致勝絕招,是一種叫Pound技術(Process for Optimizing and Understanding Network Diffusion 網路傳播優化與理解流程):它是通過內容來分析社交網路中信息的流動方向和方式,從而去了解社交網路各個節點之間的關係,以及分析和判斷信息是在網路中那個節點引爆了網路效應。通常我們看到的一條微博,我們只能看到它的瀏覽量或點贊數,但通過這項技術我們就可以了解的更多了,for example:
在今年二月份左右,有一條信息在朋友圈廣為流傳,就是一條裙子:到底是白色和金色,還是黑色和藍色
圖中左邊部分圓圈不同顏色代表了不同的社交網站
Buzzfeed,就通過Pound技術對它進行了分析:
我覺得這項技術還是對社交網路有一定顛覆意義的,通過這項技術的應用,Buzzfeed每天都可以向用戶推薦非常有趣的內容,因為它知道什麼樣的內容讀者喜歡,什麼樣的內容,可以引爆網路效應。
對於這個技術的介紹也是Buzzfeed的創始人發的推文:Introducing Pound: Process for Optimizing and Understanding Network Diffusion
不就是跟路由選擇最近節點的原理一樣嗎…
假設從北京a到鄭州z有好多節點
路由如何選擇最短路徑,
同理,
找兩個人的中間的最短路徑和找兩個城市(mac地址)間的最短路徑不是一個道理嗎?
用neo4j可能比較好
我在neo4j中存儲了一個圖,節點大約2500-4000個,怎麼計算兩兩之間的路徑,並且對計算出來的路徑掃描一遍就可以了,怎麼實現較高效一點,採用neo4j中的Dijkstra演算法 or A*演算法?貌似不能一次得到一個點到其他所有節點的路徑,這樣的話麻煩就來了。
如果不超6就雙向廣度 floyd 笛杰特斯拉都不是很好用
MapReduce不太擅長這種類型的問題。
大概掃了一遍,發現沒人提到pregel。我這個人覺得pregel在這方面還是很有優勢的,畢竟它的思想就是「think like vertex」,生成了圖之後你想怎麼玩就怎麼玩,不過能不能在O(lg n)次迭代內完成還要看你問題和演算法。不過如果真的如題主說的,迭代六次就搞定了
一個陌生人通過哪幾個人認識難道不是2層關係而已嗎,就是這個陌生人認識我朋友中的哪幾個而已,有這麼複雜嗎?
6度關係無解,解出來也沒意義。就按每個人100個好友計算,6度關係就要計算1萬億人了,地球總共才多少人。
之前接觸過一個叫做xrime的計算框架,裡面有一系列的程序專門處理社交網路的,不能直接解決你的問題不過可以參考修改下。
不應該是雙向廣度優先搜索嗎?
根據6度理論,單機搞定地球人我有一種想法(當然肯定不是朋友網的做法),把每個用戶的終端當作計算機網路模型中的一個路由器,然後通過類似網路層選路協議的方式進行計算,這樣似乎理論上可以分散式地計算出所有人之間的最短路徑,不過需要他們都有一定的登錄時間,並在每台機器上保存大量其他用戶的數據。
三度計算,其實就是求鄰接矩陣的三次方。facebook的量級,用spark加機器應該可以做,就是代價太大了。
推薦閱讀:
TAG:互聯網 | 社交網路 | 數據挖掘 | NoSQL | Hadoop | MapReduce | 朋友網 | Neo4j | GraphDatabase |