[論文レビュー] A Method for Group Extraction and Analysis in Multilayer Social Networks

Piotr Bródka|arXiv (Cornell University)|Dec 7, 2016

Complex Network Analysis Techniques参考文献 115被引用数 11

ひとこと要約

本稿では、複数層の社会的ネットワークにおけるグループ抽出および進化分析のための新規手法を提案する。CLECC（クロスレイヤードエッジクラスタリング係数）を用い、層間をまたがる近隣ノードの類似度を定量化する。CLECCアルゴリズムはコミュニティを同定し、Group Evolution Discovery（GED）手法は時間的経過に伴うグループ変化を追跡する。実データおよびベンチマークデータ上で高い正確性と効率性を達成しており、特に多層ネットワーク用に新規に開発されたmLFRベンチマークを含む。

ABSTRACT

The main subject studied in this dissertation is a multi-layered social network (MSN) and its analysis. One of the crucial problems in multi-layered social network analysis is community extraction. To cope with this problem the CLECC measure (Cross Layered Edge Clustering Coefficient) was proposed in the thesis. It is an edge measure which expresses how much the neighbors of two given users are similar each other. Based on this measure the CLECC algorithm for community extraction in the multi-layered social networks was designed. The algorithm was tested on the real single-layered social networks (SSN) and multi-layered social networks (MSN), as well as on benchmark networks from GN Benchmark (SSN), LFR Benchmark (SSN) and mLFR Benchmark (MSN) a special extension of LFR Benchmark, designed as a part of this thesis, which is able to produce multi-layered benchmark networks. The second research problem considered in the thesis was group evolution discovery. Studies on this problem have led to the development of the inclusion measure and the Group Evolution Discovery (GED) method, which is designed to identify events between two groups in successive time frames in the social network. The method was tested on a real social network and compared with two well-known algorithms regarding accuracy, execution time, flexibility and ease of implementation. Finally, a new approach to prediction of group evolution in the social network was developed. The new approach involves usage of the outputs of the GED method. It is shown, that using even a simple sequence, which consists of several preceding groups sizes and events, as an input for the classifier, the learned model can produce very good results also for simple classifiers.

研究の動機と目的

• 構造的複雑性のため、従来の単層手法が失敗する多層社会的ネットワーク（MSN）におけるコミュニティ検出の課題に対処する。
• 複数のネットワーク層にまたがる近隣ノードの類似度を評価する新しいエッジレベルの指標、CLECCを提案し、強固なコミュニティ検出を可能にする。
• 動的かつ変化する社会的ネットワークにおける構造的変化（統合、分裂、拡大など）を同定することで、時間的経過に伴うグループ進化の同定を可能にする。
• 現実的でスケーラブルな多層ネットワーク構造を持つ、多層ネットワーク用に新規に開発されたベンチマーク（mLFR）を構築する。
• 歴史的なグループサイズおよびイベントシーケンスを用いた予測フレームワークを設計し、単純な分類器でさえも高い性能を達成する。

提案手法

• 複数のネットワーク層にまたがる2つのノードの共通近隣ノードの類似度を評価する、CLECC（クロスレイヤードエッジクラスタリング係数）を導入する。
• CLECCをコミュニティ検出アルゴリズムにおける重み付けメカニズムとして適用し、エッジ類似度を集約して一貫性のあるグループを形成する。
• グループ遷移（例：統合、分裂）を検出するための新規な包含度測定を用いた、Group Evolution Discovery（GED）手法を開発する。
• 過去のグループサイズおよび進化イベントのシーケンスを入力特徴量として用い、将来のグループ状態の分類を実行する予測モデルを実装する。
• LFRベンチマークの拡張として、制御されたコミュニティ構造とレイヤー固有の接続性を持つ、現実的でスケーラブルな多層ネットワークを生成可能なmLFRベンチマークを構築する。
• 標準的な指標（正規化相互情報量、調整ランダムインデックスなど）を用いて、実世界の単層および多層ネットワーク、および新規に作成されたmLFRベンチマーク上でCLECCおよびGED手法を評価する。

実験結果

リサーチクエスチョン

• RQ1 複数種の関係性が存在する多層社会的ネットワークにおいて、どのようにしてコミュニティ検出を効果的に行えるか？
• RQ2 多層環境下で、CLECC指標は単層手法と比較して、コミュニティ検出の正確性をどの程度向上できるか？
• RQ3 時間的経過に伴う動的多層ネットワークにおいて、グループ進化イベント（例：統合、分裂）をどの程度正確に検出できるか？
• RQ4 歴史的なグループサイズおよびイベントシーケンスを用いた単純な分類器は、将来のグループ進化を高い正確性で予測できるか？
• RQ5 提案手法は、既存の最先端のソーシャルネットワークにおけるグループ分析アルゴリズムと比較して、性能、実行時間、柔軟性の面でどの程度優れているか？

主な発見

• CLECCアルゴリズムは、実データおよびベンチマーク多層ネットワークの両方で高い正確性を示し、単層ベースラインを上回った。
• GED手法は、2つの代表的なアルゴリズムと比較して、グループ進化イベントの検出において優れた正確性と効率性を示し、実行時間が短く、実装も容易であった。
• 過去のグループサイズおよび進化イベントのシーケンスのみを用いた予測モデルが優れた性能を示した。これは、単純な時系列情報がグループダイナミクスの予測に非常に有用であることを示している。
• 新たに開発されたmLFRベンチマークにより、多層コミュニティ検出および進化手法の信頼性ある評価が可能となり、今後の研究のための標準的テストベッドを提供した。
• CLECCとGEDの統合により、コミュニティ抽出から進化追跡、予測までをカバーする包括的な分析パイプラインを実現した。
• 実験的評価により、提案手法が柔軟性があり、スケーラブルであり、ソーシャルネットワーク分析の実世界応用に適していることが確認された。