[論文レビュー] Community Detection in Social Network using Temporal Data

Victor Stany Rozario, AZM Ehtesham Chowdhury+1 more|arXiv (Cornell University)|Apr 10, 2019

Complex Network Analysis Techniques参考文献 12被引用数 4

ひとこと要約

本論文では、時間的データ、ノード属性、エッジ接続性を統合することで、ソーシャルネットワークにおけるクラスタリング精度を向上させる、新しいコミュニティ検出アプローチであるインターリンクドスパティアルクラスタリングモデル（ILSCM）を提案する。文脈ベースのキーエクストラクションと時間的トピックモデリングを活用することで、ILSCMは動的ブリッジセンタリティ分析を用いてコミュニティを特定し、時間的ダイナミクスを無視する従来の手法に比べて、より優れた検出性能を示している。

ABSTRACT

Social networks facilitate the social space where actors or the users have ties among them. The ties and their patterns are based on their life styles and communication. Similarly, in online social media networks like Facebook, Twitter, Myspace etc., multiple users belong to multiple specific communities. The social network represents large real-world directed social graphs. Detection of communities or clusters from these graphs is a problem of considerable research interest. The communities are formed using the neighboring nodes that have common edges and common attributes. Most of the existing community detection algorithms usually consider node contents to analyze the attributes of community. Some algorithms use the links between the nodes to determine the dense regions in the graph. But utilizing both the edge content and the vertex content to detect community are yet to be considered and verified, since the traditional extraction methods of vertex and edge data do not consider the connectivity among the nodes. This paper presents an Interlinked Spatial Clustering Model (ILSCM) which provides relevant content selection and extraction of the temporal topics for identifying the betweenness among the nodes based on the context keys to detect community.

研究の動機と目的

• 時間的ダイナミクスとノード・エッジ属性を統合しない既存のコミュニティ検出アルゴリズムの限界を解消すること。
• タイムスタンプ付きの相互作用データを用いて、進化するコミュニティ構造を捉える手法を開発すること。
• 頂点のコンテンツ、エッジ接続性、時間的パターンを統合的に分析することで、コミュニティ検出の精度を向上させること。
• コミュニティ同一定義における関連性を高める文脈認識型コンテンツ選択メカニズムを導入すること。
• 時間的、空間的、属性ベースの特徴を統合することによるクラスタリングの有効性を検証すること。

提案手法

• インターリンクドスパティアルクラスタリングモデル（ILSCM）を提案し、ユーザー相互作用における時間的パターンを分析することでコミュニティを検出する。
• 時間的トピックモデリングを適用して、時間経過に伴うユーザー相互作用からの進化するトピックを抽出し、クラスタリングのための文脈キーフォームを形成する。
• 文脈キーベースでブリッジセンタリティを計算し、コミュニティ境界を定義する重要なノードおよびリンクを特定する。
• ノード属性とエッジ接続性を時間的データと統合し、クラスタリングのための特徴表現を豊かにする。
• 時間的、属性的、接続性特徴を統合した上で、空間的クラスタリングアプローチを適用してノードをグループ化する。
• 文脈ベースのコンテンツ選択を用いて、関連性の高い相互作用を優先し、コミュニティ形成におけるノイズを低減する。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルネットワーク相互作用における時間的ダイナミクスは、どのようにコミュニティ検出精度を向上させるか？
• RQ2 ノード属性とエッジ接続性を統合的に用いることで、個別に用いる場合と比べて、コミュニティ同一定義にどの程度向上効果をもたらすか？
• RQ3 時間的データからの文脈ベースのキーエクストラクションは、進化するコミュニティの検出をどのように改善できるか？
• RQ4 時間的トピックを構造的接続性と統合することで、クラスタリングパフォーマンスにどのような影響を与えるか？
• RQ5 動的ネットワーク環境下で、頂点およびエッジのコンテンツを併用することの影響は何か？

主な発見

• ILSCMモデルは、時間的、属性的、接続性データを統合することでコミュニティを効果的に特定し、静的または孤立した特徴のみを用いる手法を上回る性能を示した。
• 時間的トピックモデリングにより、静的ネットワーク解析では見えない進化するコミュニティ構造の検出が可能になった。
• ブリッジセンタリティ分析における文脈キーベースの活用により、重要なノードおよびコミュニティ間リンクの特定が向上した。
• 頂点コンテンツ、エッジコンテンツ、タイムスタンプ付き相互作用の相乗効果のおかげで、モデルはクラスタリング精度が向上した。
• 時間的データの統合により、特に動的ソーシャルネットワークにおいて、ノイズが低減され、関連性が向上した。
• 実世界のソーシャルネットワークデータを用いた実証的結果から、ILSCMはベースラインアルゴリズムに比べて、より高いコミュニティの凝集性と分離性を達成した。