我院数据科学与工程团队被国际数据库领域顶会ICDE 2025收录三篇论文并作报告

随着在线社交网络规模的不断扩大，其结构稳定性问题日益凸显，一项最新研究创新性地提出了基于"锚定边"的网络稳定性增强方法。该研究首次将复杂的网络稳定性问题转化为关键边选择问题，证明过程揭示了其NP难特性，并开发出一套融合贪心策略、上行路径优化和分类树结构的高效算法框架，能够在海量网络中快速识别出最具影响力的关键边。实验表明，仅需强化少量边的连接，即可使网络整体稳定性显著提升。这一突破性成果不仅为社交平台优化用户参与度、提升内容传播效率提供了新思路，其核心技术还可拓展应用于交通网络、电力系统等其他复杂网络系统的稳定性优化，展现出广阔的产业应用前景。目前该研究成果已发表在网络科学领域顶级会议ICDE 2025。这项研究通过精准的算法创新，成功实现了"四两拨千斤"的网络优化效果，标志着我们在理解和管理复杂网络系统方面迈出了重要一步。

在现实世界中，许多系统如交通网络、社交网络和金融交易网络等都可以通过时序图进行建模，其中节点表示实体，边表示在特定时间戳发生的交互。为了更好地分析这些系统中实体之间的动态关系，本文首次提出并研究了时序简单路径图生成问题。时序简单路径图是从源节点到目标节点在给定时间区间内所有时序简单路径构成的子图。直接枚举所有时序简单路径并构建时序简单路径图在计算上是极其昂贵的，因为其时间复杂度呈指数级增长。为了解决这一挑战，本文提出了一种名为“上界图验证”的高效方法，其通过两个主要步骤来加速处理过程。首先，它利用时序路径约束和简单路径约束，从原始图中排除那些不可能出现在任何时序简单路径中的边，从而在多项式时间内生成一个紧密的上界图，作为时序简单路径图的高质量近似。其次，该方法进一步通过“逃逸边验证”算法，以精确地生成结果，而无需穷举所有时序简单路径。通过在10个真实世界时序图上的广泛实验，结果表明本文所提出的算法在效率和有效性方面显著优于基线方法。

轨迹相似性计算对于各种空间数据相关应用至关重要。迄今为止，已提出了许多基于深度学习的方法来近似计算轨迹相似性。然而，之前的大多数模型都侧重于自由空间中的轨迹，忽略了道路网络的信息，然而道路网络信息是许多应用（例如交通分析、社交推荐）的重要前提。本文研究了道路网络中的轨迹相似性学习。与由空间中的轨迹不同，道路网络的轨迹包含更丰富、更复杂的信息，例如道路网络的地理和结构等信息。为此，本文提出了SPGMT，一种基于图建模的方法，它利用道路网络中丰富的结构和位置信息进行轨迹相似性学习。具体而言，首先，SPGMT的图模型通过同时结合局部视角的节点结构信息和全局视角的位置信息来学习信息丰富的节点表示。这个面向道路网络的模块是第一个从广泛的图拓扑结构中进行学习的方法。其次，SPGMT设计了一个自注意力网络，并使用LSTM来学习轨迹中的序列信息。本文在真实数据集上进行了实验，实验结果表明，SPGMT在相似性搜索任务中的近似精度方面优于最先进的方法。此外，综合分析实验也证明了SPGMT的灵活性和鲁棒性。