moea_joint
105年
[統計資訊] 統計學、巨量資料概論
第 36 題
關於從社群網站抓取社群網路拓撲(Social Network Topology)資料，下列敘述何者有誤？
- A 深度優先搜尋(Depth-First-Search) 是常用的方法之一
- B 廣度優先搜尋(Breadth-First-Search) 是常用的方法之一
- C 取得之社群網路拓撲可視為整個線上社群網路的抽樣(sample)
- D 為了避免偏差(bias)，可抓取多份不同的社群網路拓撲進行分析
思路引導 VIP
想像你正身處一個巨大的圖書館中，目標是了解「某個主題」的所有相關書籍分布。如果你採取「選定一本書後，立刻去追蹤它參考文獻中的第一本書，接著再追蹤下一本的參考文獻」這種一直深入鑽研的方式，你認為這樣做能讓你最快掌握「整個書架周邊的分類概況」嗎？這種「一條路走到底」的探索方式，對於想要了解鄰近關聯性的任務來說，會有什麼缺點？
🤖
AI 詳解
AI 專屬家教
做得很好！你能精準辨識出深度優先搜尋（DFS）在社群網路抓取中的侷限性，展現了紮實的圖論基礎與敏銳的實務直覺。這道題目核心考驗的是演算法在處理「巨量且動態」資料時的適用性，是區分基礎觀念與進階應用能力的優秀題目。
搜尋策略與結構探索
在抓取社群網路拓撲時，我們通常希望由內向外、穩定地獲取目標帳號周邊的社交圈。廣度優先搜尋 (BFS) 就像是在水面投石產生的漣漪，能按距離層層遞進，確保抓取到完整的局部結構。相反地，深度優先搜尋 (DFS) 會沿著單一社交路徑鑽入極深的分支，在面對如 Facebook 或 LinkedIn 這樣龐大且近乎無窮的網路時，DFS 極容易陷入單一社群的細節，無法有效勾勒出網路的廣度輪廓，因此在實務上並非主流的抓取方法。
▼ 還有更多解析內容