面向多尺度图数据验证的开源基准数据集OGDOS构建与应用

为解决现有图数据集缺乏按尺度分类的标准化组织问题，中央南大学团队开发了OGDOS（Open Graph Dataset Organized by Scales）数据集。该研究通过整合470个预设尺度级别（节点数100-200,000，边节点比1-10）的真实与合成图数据，为图算法性能验证（如可扩展性、时空复杂度）提供系统性基准。研究采用尺度对齐优化技术，验证显示结构调整后KSD（Kolmogorov-Smirnov Distance）值低于0.16，显著优于随机采样方法。该成果发表于《Scientific Data》，填补了图技术评估领域的关键空白。

　　

在社交网络分析、交通系统优化和生物分子相互作用研究中，图（Graph）作为描述实体间关系的基础模型，已成为不可或缺的工具。随着图算法（如社区检测、中心性分析）、可视化技术（如力导向布局）及计算系统（如NetworkX、Pregel）的快速发展，研究者们面临一个共性难题：现有公开图数据集多按应用领域（如Twitter社交图）或数据类型（如有向/无向图）分类，却鲜有按节点规模（Node Scales）和边密度（Edge-to-node Ratios）系统组织的基准资源。这种缺失导致算法验证时出现"尺度盲区"——开发者难以评估其方法在特定图规模下的性能拐点，例如当节点数突破10,000时布局算法是否会出现计算崩溃，或边节点比升至8时社区检测精度如何变化。

针对这一瓶颈，中央南大学计算机科学与工程学院联合奇安信科技集团的研究团队，在《Scientific Data》发表了题为"An Open Graph Dataset Organized by Scales"的突破性工作。他们构建的OGDOS数据集创新性地采用尺度优先（Scale-first）组织策略，覆盖47个节点尺度（100-200,000节点）和10个边密度级别（边节点比1-10），形成470个标准化测试单元。通过融合真实图数据（来自Network Repository等11个权威源）与合成网络（小世界网络Syn-S、无标度网络Syn-F），该数据集首次实现全尺度链路的连续覆盖，其中224个真实图经过度保持性调整（Real-T），246个合成图通过GCC（Global Clustering Coefficient）优化生成。

关键技术方法包含三阶段：预设尺度级别采用非线性间隔划分（小图100节点间隔，大图10,000节点间隔）；真实图调优通过基于度排序的节点修剪（保留高影响力节点）和GCC保护的边移除；合成图生成结合Watts-Strogatz模型（p=0.025）和Barabasi-Albert模型，通过20次迭代优选最高GCC图谱。验证实验采用KSD（Kolmogorov-Smirnov Distance）、SDD（Skew Divergence Distance）和L2ND（L2-normalization Distance）三项指标，对比RE（Random Edge Sampling）等传统方法。

【Presetting Graph Scale Levels】
研究团队首创"双尺度坐标"体系：节点尺度按计算可行性分为四段（100-1K/1K-10K/10K-100K/100K-200K），边密度以1为步长覆盖典型网络类型（稀疏生物网络≈1，社交网络≤10）。这种设计源于实测发现——200,000节点是桌面级设备的计算临界点，而边节点比>10的实网仅占公开数据的2.3%。

【Selecting and Tuning Real-world Graphs】
通过95%-105%双阈值筛选机制，对偏离目标尺度的实网进行结构化修剪：优先移除低度节点（Degree<>

【Generating Synthetic Graphs】
针对空缺尺度，采用WS（Watts-Strogatz）模型生成Syn-S网络（满足k≥ln(n)时），BA（Barabasi-Albert）模型生成Syn-F网络。特别在50K节点/边比5级别，通过GCC优选使合成图的CC（Clustering Coefficient）分布SDD达0.005±0.002，逼近真实协作网络特征。

【Technical Validation】
在77个调优级别上的对比实验表明，OGDOS的KSD全面低于参照方法：DD（Degree Distribution）指标0.138±0.014 vs RE的0.480±0.036；PR指标0.137±0.019 vs TIES的0.420±0.026。这证实其能更好保持原始图的拓扑特性。

该研究的里程碑意义在于：首次建立图技术评估的"尺度标尺"，使算法性能可被量化对标。例如可视化系统开发者可明确获知，当节点>50K且边节点比>7时，力导向布局的FPS（Frames Per Second）将降至交互阈值以下。数据集已通过figshare开源（DOI:10.6084/m9.figshare.27992339），其简单图（Simple Graph）存储格式虽限制属性相关研究，但为跨域基准测试提供统一沙箱。未来工作拟引入动态图（Dynamic Graph）和多层网络（Multilayer Network）尺度体系，进一步拓展其在脑科学（Brain Network）等复杂系统中的应用边界。