[論文レビュー] ABACUS: Apriori-BAsed Community discovery in mUltidimensional networkS

Michele Berlingerio, Fabio Pinelli+1 more|arXiv (Cornell University)|Mar 8, 2013

Complex Network Analysis Techniques被引用数 3

ひとこと要約

ABACUSは、Aprioriアルゴリズムを用いて複数のネットワーク次元にわたるモノ次元コミュニティメンバーシップを集約することで、多次元コミュニティを同定する画期的な多次元コミュニティ検出手法を提案する。実際の多次元ネットワーク上で検証された結果、どの単一次元においても直接的な接続がなくても、意味のある高く相関したノード群を同定できる。

ABSTRACT

Community Discovery in complex networks is the problem of detecting, for each node of the network, its membership to one of more groups of nodes, the communities, that are densely connected, or highly interactive, or, more in general, similar, according to a similarity function. So far, the problem has been widely studied in monodimensional networks, i.e. networks where only one connection between two entities can exist. However, real networks are often multidimensional, i.e., multiple connections between any two nodes can exist, either reflecting different kinds of relationships, or representing different values of the same type of tie. In this context, the problem of Community Discovery has to be redefined, taking into account multidimensional structure of the graph. We define a new concept of community that groups together nodes sharing memberships to the same monodimensional communities in the different single dimensions. As we show, such communities are meaningful and able to group highly correlated nodes, even if they might not be connected in any of the monodimensional networks. We devise ABACUS (Apriori-BAsed Community discoverer in mUltidimensional networkS), an algorithm that is able to extract multidimensional communities based on the apriori itemset miner applied to monodimensional community memberships. Experiments on two different real multidimensional networks confirm the meaningfulness of the introduced concepts, and open the way for a new class of algorithms for community discovery that do not rely on the dense connections among nodes.

研究の動機と目的

• ノード間の複数のタイプまたは値の関係が存在する多次元ネットワークにおけるコミュニティ発見を再定義すること。
• 単一ネットワークにおける濃密なコミュニティ内接続に依存する既存手法の限界を克服すること。
• 複数の次元にわたる共有メンバーシップに基づいて一貫性のあるグループを同定するコミュニティ検出アプローチを開発すること。
• 実世界の複雑ネットワークにおけるこれらの多次元コミュニティの意味の有るさを検証すること。

提案手法

• ABACUSは、既存のコミュニティ検出アルゴリズムを用いて、各ネットワーク次元からモノ次元コミュニティを抽出する。
• 各ノードの次元をまたがるコミュニティメンバーシップをアイテムセットのトランザクションとして表現する。
• Aprioriアルゴリズムがこれらのトランザクションから頻出アイテムセットをマイニングし、共通の多次元コミュニティメンバーシップを同定する。
• 頻出アイテムセットに基づいてコミュニティが形成され、複数の次元にわたって同じコミュニティに属するノードを表す。
• この手法は、任意の単一次元においてノード間の直接的なエッジを必要とせず、代わりに共有のコミュニティメンバーシップに焦点を当てる。
• ノードがどの個別次元においても直接接続されていなくても、相関したノード群の同定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 異なる次元にわたる同じモノ次元コミュニティメンバーシップを共有するノード群として、多次元コミュニティを意味的に定義できるか？
• RQ2 コミュニティメンバーシップのAprioriベースのマイニングは、一貫性のある多次元コミュニティを同定するのにどの程度有効か？
• RQ3 同定された多次元コミュニティは、個々の次元で同定されたものよりもノード間の相関が強いと見なせるか？
• RQ4 ABACUSは、どのモノ次元ネットワークにおいても顕在しないコミュニティを同定できるか？
• RQ5 ABACUSは、従来のコミュニティ検出手法と比較して、実際の多次元ネットワーク上でどの程度の実効的性能を示すか？

主な発見

• ABACUSは、次元をまたいで著しく相関する行動や関係性を持つノードを、多次元コミュニティとして効果的に同定する。
• ノードがどの単一次元においても直接接続されていなくても、意味のあるコミュニティを同定でき、潜在的なグループ構造を解明できる能力を示している。
• 2つの実際の多次元ネットワークを用いた実験により、同定されたコミュニティの妥当性と一貫性が確認された。
• このアプローチは、共有のコミュニティメンバーシップが、直接的なネットワーク接続よりもグループの一貫性の指標として強い可能性を示している。
• Aprioriベースのアイテムセットマイニングの使用により、濃密なコミュニティ内エッジに依存せずに、多次元コミュニティの効率的同定が可能になった。
• これらの結果は、トポロジカルな密度ではなく関係的類似性に焦点を当てるコミュニティ検出の新たな方向性を開いた。