[論文レビュー] How to Build Your Network? A Structural Analysis

Anastasia Moskvina, Jiamou Liu|arXiv (Cornell University)|May 12, 2016

Complex Network Analysis Techniques参考文献 19被引用数 9

ひとこと要約

本稿では、ネットワーク構築のためのアルゴリズム的フレームワークを提案している。具体的には、新規参加者が既存ネットワークと戦略的に関係を構築することで、中心性や直径の低減といった構造的利点を達成する方法を扱う。中心性最適化問題がNP完全であることを証明するとともに、大規模ネットワークにおいても、わずかな数の新しい辺で効率的なヒューリスティクスが達成可能であることを示している。

ABSTRACT

Creating new ties in a social network facilitates knowledge exchange and affects positional advantage. In this paper, we study the process, which we call network building, of establishing ties between two existing social networks in order to reach certain structural goals. We focus on the case when one of the two networks consists only of a single member and motivate this case from two perspectives. The first perspective is socialization: we ask how a newcomer can forge relationships with an existing network to place herself at the center. We prove that obtaining optimal solutions to this problem is NP-complete, and present several efficient algorithms to solve this problem and compare them with each other. The second perspective is network expansion: we investigate how a network may preserve or reduce its diameter through linking with a new node, hence ensuring small distance between its members. We give two algorithms for this problem. For both perspectives the experiment demonstrates that a small number of new links is usually sufficient to reach the respective goal.

研究の動機と目的

• ネットワーク構築プロセスを形式化し、アルゴリズム的に研究すること。特に、新規参加者が既存ネットワークに参加する場合を想定する。
• 2つの主要な構造的目標を扱う：(1) 新参加者をネットワークの中心に配置すること（社会的統合）、(2) ネットワークの直径を最小化すること（ネットワーク拡張）。
• 望ましい構造的性質を達成しつつ、新しい関係の数を最小限に抑える効率的なアルゴリズムを開発すること。
• 合成ネットワークおよび実世界のネットワークを用いた実験的評価を通じて、アルゴリズムの性能を、エッジ効率性とスケーラビリティの観点から評価すること。

提案手法

• 2つの主要な問題を提示する：(1) 新参加者が中心性を達成するために必要な新しい辺の数を最小化する問題（中心問題）、(2) ネットワークの直径を低減または維持するために必要な新しい辺の数を最小化する問題（直径改善問題）。
• 中心問題がNP完全であることを証明し、最適解を求める計算上の困難さを確立する。
• ヒューリスティクスアルゴリズムを導入する：ペリフェリー（周辺ノードのペアに逐次接続する）、およびCP（センター・ペリフェリー、中心ノードに接続した後、周辺ノードに接続する）。
• 冗長な計算を削減することでアルゴリズムの性能を向上させる簡略化プロセスを採用する。
• 実験的検証に、ランダムグラフモデル（Barabási-AlbertおよびNewman-Watts-Strogatz）と実世界のデータセット（コラボレーション、Facebook）を用いる。
• 性能を、目標とする構造的性質（例：直径 ≤ Δ）を達成するために必要な新しい辺の数によって測定する。

実験結果

リサーチクエスチョン

• RQ1 最小限の新しい関係を用いて、新参加者を既存ネットワークの中心に配置する際の計算複雑性は何か？
• RQ2 新規ノードを追加するにあたり、新しい辺の数を最小限に抑えつつ、直径を維持または低減するネットワーク拡張はどのように実現できるか？
• RQ3 特にエッジ効率性の観点から、異なるネットワークトポロジーにおいて、どのヒューリスティクスがより優れているか？
• RQ4 構造的目標を達成するために必要な新しい辺の数は、ネットワークサイズの増加に伴いどのように変化するか？
• RQ5 少数の戦略的関係を結ぶことで、実世界のネットワークにおいて直径や中心性といった重要なネットワーク特性を顕著に改善できるか？

主な発見

• 新参加者をネットワークの中心に配置する問題はNP完全であることが確認され、最適解を達成するための計算上の困難さが裏付けられた。
• NP完全性にもかかわらず、ペリフェリーとCPといったヒューリスティクスアルゴリズムは、極めて少ない数の新しい辺で望ましい構造的性質を達成している。
• 実世界のコラボレーションネットワークでは、直径を1つ低減するのにも19個未満の新しい辺で十分であり、大規模ネットワークにおいても同様の結果が得られた。
• Facebookネットワークでは、ペリフェリー法は直径を8から7に低減するためにわずか2つの辺を必要としたが、CPは47個の辺を要した。これは、性能に顕著な差があることを示している。
• ネットワークの半径が直径に近い場合にはペリフェリー法がCPを上回り、半径が直径に比べてはるかに小さい場合にはCPが優れている。
• 実験から、大規模ネットワークであっても、わずかな新しい関係性で顕著な構造的改善が達成可能であるという強固な現象が明らかになった。これは、戦略的ネットワーク構築の高い効率性を示唆している。