文章标题和描述提到的关键概念是“K-Core-Truss”，这是研究者新提出的一种密集子图模型，其目的是在大规模网络图中发现关键的结构信息，通过引入一种基于k-core和k-truss概念的新类型的边——重要边（important edges）。
了解k-core和k-truss的基本定义是重要的。k-core是指一个图中，每个节点至少与k个其他节点相连的最大的连通子图。而k-truss定义为，每个三角形（即三个节点互相连接构成的简单环）至少共享k-2条边的一个子图。计算最密集子图，例如团（clique）、准团（quasi-clique）、k-最密集子图等，这些问题都是NP难问题（NP-hard），但在实际应用中，已经存在多项式时间算法来计算k-core和k-truss。
文章中提到的k-core-truss，其新颖之处在于它能够显著发现k-core和k-truss之外的有趣和重要的结构信息。为了发现这种子图，研究者研究了两个有用的问题：k-core-truss分解和k-core-truss搜索。研究者开发了一种k-core-truss分解算法，通过迭代地移除具有最小度支持（degree-support）的边来找到图G中所有的k-core-truss。此外，研究者还提出了一种k-core-truss搜索算法，用来识别包含给定查询节点的k-core-truss，使得核心数k尽可能大。
为了验证k-core-truss模型和相关算法的有效性和效率，文章进行了广泛的实验，实验使用的数据集是来自网络的真实大型数据集。通过这些实验，证明了提出的方法在实际应用中的可行性和高效性。
文章内容所涉及的核心知识点包括：
1. 图模型（Graph Model）的定义及其在不同领域（如社交网络、生物网络、通信网络等）的应用。
2. 密集子图（Dense Subgraph）的定义及其在图挖掘任务中的重要性。
3. NP难问题（NP-hard）和多项式时间算法（polynomial time algorithms）在计算密集子图中的区别和应用。
4. K-core的定义和算法实现，以及其在大规模网络分析中的应用。
5. K-truss的定义和算法实现，以及其在发现网络中凝聚子结构的作用。
6. K-core-truss的定义及其与k-core和k-truss的关系，以及通过重要边来发现新的结构信息。
7. K-core-truss分解算法，即如何通过移除最小度支持的边来迭代地发现所有的k-core-truss。
8. K-core-truss搜索算法，即如何根据给定的查询节点来识别含有最大核心数的k-core-truss。
9. 实验验证方法，包括在真实世界数据集上的广泛测试，以及如何评估算法的有效性和效率。
10. 图可视化（Graph Visualization）、社区挖掘（Community Mining）、流式新闻故事识别（Story Identification in Streaming News）等应用领域。
以上知识点不仅涉及到密集子图的理论基础，还包括了算法的实现细节、实际应用和实验验证。在处理大规模网络数据时，这些知识点能够帮助研究者和实践者更有效地进行网络结构分析和图数据挖掘。
