[論文レビュー] A comparative study of stochastic algorithmic models for social networks

Riitta Toivonen, Lauri Kovanen+4 more|arXiv (Cornell University)|May 5, 2008

Complex Network Analysis Techniques被引用数 1

ひとこと要約

本研究では、社会的知り合いネットワークと比較して、確率的アルゴリズム的モデルであるネットワーク進化モデル（NEMs）とノード属性モデル（NAMs）を検討する。NAMsは強い集合的相関性とコミュニティ構造を生成するが、クラスタリングスペクトルと次数分布では失敗する。一方、NEMsは実際の次数分布とクラスタリングをよりよく再現するが、データよりも弱いコミュニティ構造を示す。

ABSTRACT

This paper reviews, classifies and compares recent models for social networks that have mainly been published within the physics-oriented complex networks literature. The models fall into two categories: those in which the addition of new links is dependent on the (typically local) network structure (network evolution models, NEMs), and those in which links are generated based only on nodal attributes (nodal attribute models, NAMs). An exponential random graph model (ERGM) with structural dependencies is included for comparison. We fit models from each of these categories to two empirical acquaintance networks with respect to basic network properties. We compare higher order structures in the resulting networks with those in the data, with the aim of determining which models produce the most realistic network structure with respect to degree distributions, assortativity, clustering spectra, geodesic path distributions, and community structure (subgroups with dense internal connections). We find that the nodal attribute models successfully produce assortative networks and very clear community structure. However, they generate unrealistic clustering spectra and peaked degree distributions that do not match empirical data on large social networks. On the other hand, many of the network evolution models produce degree distributions and clustering spectra that agree more closely with data. They also generate assortative networks and community structure, although often not to the same extent as in the data. The ERG model turns out to produce the weakest community structure.

研究の動機と目的

• 確率的アルゴリズム的モデルの現実性を評価・比較し、実社会的ネットワーク構造を再現する能力を検証すること。
• 次数分布、クラスタリング、コミュニティ構造といった主要なネットワーク特性を最もよく再現するモデルの種別（NEMs または NAMs）を特定すること。
• 構造的依存性を有する指数型ランダムグラフモデル（ERGM）をベンチマークとして評価すること。
• ノード属性に基づくモデルとネットワーク進化に基づくモデルのどちらが、より現実的な大規模社会的ネットワークトポロジーを生成するかを特定すること。

提案手法

• 物理学的アプローチを取る複雑ネットワーク分野の最近のモデルを、ネットワーク進化モデル（NEMs）とノード属性モデル（NAMs）の2つのカテゴリーに分類・レビューすること。
• 2つの実際の知り合いネットワークに対して、確率的シミュレーションを用いてNEMsとNAMsを適合させ、合成ネットワークを生成すること。
• 次数分布、相関性、クラスタリングスペクトル、地図的経路分布、コミュニティ構造といった指標を用いて、合成ネットワークと実データを比較すること。
• 構造的依存性を有する指数型ランダムグラフモデル（ERGM）を比較的基準として含めること。
• 複数の構造的特性にわたる合成ネットワークと実データの類似度を定量的に測定することで、モデルのパフォーマンスを評価すること。
• 統計的指標を用いて、クラスタリングスペクトルやコミュニティ密度といった高次ネットワーク構造の現実性を評価すること。

実験結果

リサーチクエスチョン

• RQ1 ノード属性モデル（NAMs）は、実社会的ネットワークにおいてネットワーク進化モデル（NEMs）よりも現実的なコミュニティ構造を生成するか？
• RQ2 NEMsとNAMsは、実際の大規模社会的ネットワークで観察される次数分布をどの程度正確に再現するか？
• RQ3 NAMsとNEMsは、実際の知り合いネットワークで観察されるクラスタリングスペクトルをどの程度再現するか？
• RQ4 構造的依存性を有する指数型ランダムグラフモデル（ERGM）は、NEMs や NAMs と比較して、現実的なネットワーク構造を生成する能力でどの程度優れているか？
• RQ5 どちらのモデル種別が、実社会的ネットワークにおける相関性、クラスタリング、コミュニティ構造の相乗的関係をよりよく捉えているか？

主な発見

• ノード属性モデル（NAMs）は、集合的相関性を持つネットワークを効果的に生成し、明確で定義されたコミュニティ構造を生み出す。
• NAMsは現実の大きな社会的ネットワークからのデータと一致しない不自然なクラスタリングスペクトルと、ピークを持つ次数分布を生成する。
• ネットワーク進化モデル（NEMs）は、実際の観察結果に近い次数分布とクラスタリングスペクトルを生成する。
• NEMsもまた、集合的相関性を持つネットワークと検出可能なコミュニティ構造を生成するが、実データほど顕著ではない。
• 指数型ランダムグラフモデル（ERGM）は、テストされたすべてのモデルの中で最も弱いコミュニティ構造を生成する。
• NAMsはコミュニティ検出において優れた性能を示すが、現実的なクラスタリングスペクトルを再現できないため、大規模社会的ネットワークにおける全体的な現実性に制限がある。