Wikipedia reference graph

本数据集名为‘Wikipedia reference graph’，由埃因霍温理工大学数学与计算机科学系创建，用于时间图分析。数据集包含678907个节点和4729035条边，每条边关联有起始和结束时间，反映了荷兰版维基百科文章间的超链接演变。数据集通过将原始数据转换为间隔集，仅包含先添加后删除的边。该数据集主要用于研究网络结构随时间的变化，特别是在图分析和时间图领域。This dataset is named 'Wikipedia reference graph', developed by the Department of Mathematics and Computer Science at Eindhoven University of Technology for temporal graph analysis. It comprises 678,907 nodes and 4,729,035 edges, with each edge associated with start and end timestamps to reflect the evolution of hyperlinks between articles in the Dutch Wikipedia. The dataset is generated by converting raw data into interval sets, only retaining edges that are first added and subsequently removed. This dataset is primarily utilized to investigate temporal variations in network structures, especially within the domains of graph analysis and temporal graphs.

搜集汇总

数据集介绍

构建方式

Wikipedia reference graph 数据集源自荷兰语维基百科的参考文献集合，旨在构建一个带有时间间隔标签的时序图。原始数据中，节点代表维基百科文章，有向边表示文章间的超链接，每条边附带创建或移除的时间戳及操作类型。研究者通过将边的创建事件与后续的移除事件相连接，生成了具有明确起止时间间隔的边，仅保留那些先被添加后被移除的链接。最终数据集包含678,907个节点和4,729,035条边，时间跨度从2001年8月28日至2011年7月10日，覆盖近十年。

特点

该数据集的核心特点在于其边带有精确的起始和结束时间标签，这在现有时序图数据集中较为罕见，为分析动态网络演化提供了独特视角。静态分析显示，节点的度分布遵循幂律分布，平均聚类系数为0.114，其中4.22%的节点完全聚类（Ci=1），而57.40%的节点无三角形结构。PageRank分析表明，仅少数节点具有高重要性。时序分析中，以年为单位划分快照，发现度分布早期偏离幂律，后期逐渐拟合，而聚类系数随时间呈下降趋势，暗示文章间跨主题链接的增加。

使用方法

该数据集适用于时序图分析与基准测试，尤其适合研究网络结构随时间的动态变化。使用者可通过快照法选取时间窗口（如一年）将图分割为多个子图，分析度分布、聚类系数、PageRank等指标的演化。数据已收录于Konect和ICON数据库，便于获取。研究可聚焦于节点重要性的时序变迁、网络增长与收缩模式，或验证时序图分析算法（如Tink库）的性能。建议结合静态与动态视角，以全面捕捉图结构的演变规律。

背景与挑战

背景概述

时间图作为一种动态数据结构，其边携带时间标签，能够捕捉网络随时间的演化特性，在社交网络分析、知识图谱动态研究等领域具有重要价值。然而，现有时间图数据集多采用时间点标签，缺乏以时间区间形式记录边生存周期的基准数据。为此，荷兰埃因霍温理工大学的研究人员Wouter Ligtenberg和Yulong Pei于2017年基于荷兰语维基百科的引用关系，构建了Wikipedia reference graph数据集。该数据集包含约67.9万个节点（维基百科文章）和472.9万条有向边（超链接），每条边记录其创建与移除的时间戳，形成时间区间，覆盖2001年至2011年近十年的演化历程。该数据集被Konect和Icon两大数据库收录，为时间图分析提供了首个真实的区间标签基准，推动了时序图算法评估和动态网络特征挖掘领域的发展。

当前挑战

该数据集面临的核心挑战包括：首先，在领域问题层面，时间图分析需要处理边生存周期的动态性，而现有方法多基于静态图或时间点序列，难以直接适应区间标签的复杂性，例如如何有效划分时间窗口以捕捉网络拓扑的渐变与突变。其次，在构建过程中，原始维基百科引用数据仅记录边的添加与移除事件，需通过关联创建与移除操作生成时间区间，但仅包含被移除的边，忽略了始终存在的边，导致数据集不完整，可能引入采样偏差。此外，数据清洗需处理时间戳对齐、重复边及孤立节点问题，而十年跨度内维基百科内容的大规模更新也增加了数据一致性维护的难度。最后，静态与动态属性分析（如度分布、聚类系数）显示网络呈现幂律特征，但时间切片间的演化规律（如早期偏离幂律、后期再偏离）仍需更鲁棒的建模方法加以解释。

常用场景

经典使用场景

该数据集以荷兰语维基百科文章间的超链接演化过程为核心，构建了一个包含时间区间标签的时序图。每条边代表一篇文章指向另一篇文章的引用关系，并附有起始与终止时间戳，从而精准刻画了链接从创建到删除的完整生命周期。研究者常利用此数据集进行时序图的结构特性分析，例如通过快照方法划分时间窗口，观察网络度分布、聚类系数及PageRank值随时间的动态变迁，揭示知识网络从稀疏到稠密再趋于稳定的演化规律。

解决学术问题

该数据集解决了时序图研究中缺乏真实区间标签数据的瓶颈问题。此前多数时序图数据集仅记录单时间点事件，难以捕捉边持续存在的动态交互。通过提供带有明确起止时间的引用关系，它使得研究者能够深入探究链接的生存周期、网络拓扑的时间依赖性以及知识结构的长期演化模式。这为验证时序图算法在真实场景中的有效性提供了基准，推动了时序图分析在复杂网络科学领域的方法论发展，并有助于理解知识网络中信息传播与结构重组的动态机制。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于时序图分析的链接预测算法，如利用边生存周期特征预测未来引用关系的模型；以及针对知识网络演化模式的聚类研究，通过时间快照对比不同阶段的结构差异。此外，研究人员还开发了时序图分析库（如Tink），专门用于处理此类区间标签数据，并在Apache Flink框架上实现高效计算。这些工作不仅验证了数据集作为基准的可靠性，还拓展了时序图在知识图谱动态分析、社交网络时间演化等领域的应用边界。