[論文レビュー] Information Extraction from Larger Multi-layer Social Networks

Brandon Oselio, Alex Kulesza+1 more|arXiv (Cornell University)|Jul 1, 2015

Complex Network Analysis Techniques参考文献 9被引用数 5

ひとこと要約

本稿では、Twitterデータのハッシュタグの行動的（時間的相関）および関係的（共起）層を組み合わせることで、多層社会的ネットワークにおけるコミュニティ検出のためのパレート最適性に基づく多目的最適化フレームワークを提案する。この手法は、支配されないコミュニティ分割のパレートフロンティアを特定し、特にハリケーン・サンディや米国大統領討論のような出来事の際、単層解析よりもより安定的で時間的に整合性のあるコミュニティを明らかにする。

ABSTRACT

Social networks often encode community structure using multiple distinct types of links between nodes. In this paper we introduce a novel method to extract information from such multi-layer networks, where each type of link forms its own layer. Using the concept of Pareto optimality, community detection in this multi-layer setting is formulated as a multiple criterion optimization problem. We propose an algorithm for finding an approximate Pareto frontier containing a family of solutions. The power of this approach is demonstrated on a Twitter dataset, where the nodes are hashtags and the layers correspond to (1) behavioral edges connecting pairs of hashtags whose temporal profiles are similar and (2) relational edges connecting pairs of hashtags that appear in the same tweets.

研究の動機と目的

• コミュニティ検出のための多層ネットワークを単層表現に平坦化することの限界を解消すること。
• 複数のネットワーク層の異なるトポロジカル構造を、同等の重要性を仮定せずに保持する手法を開発すること。
• 行動的リンク（ハッシュタグのボリュームの時間的相関）と関係的リンク（ツイート内での共起）の両方のネットワーク目的を同時に最適化することで、コミュニティ検出の正確性を向上させること。
• 多層解析を用いて、動的ソーシャルネットワークにおける時間的に整合性のあるコミュニティ構造を特定すること。
• 実世界のTwitterデータにおいて、多層コミュニティ検出が単層アプローチを上回ることを実証すること。

提案手法

• コミュニティ検出を、行動的リンク（ハッシュタグのボリュームの時間的相関）を最小化する目的関数と、関係的リンク（ツイート内での共起）を最小化する目的関数の2つを最小化する多目的最適化問題として定式化する。
• 非支配的ソーティングを用いて、両目的をバランスよく満たす非支配的分割を特定するパレートフロンティアを近似する。
• パレートフロンティア上で中点選択戦略を適用し、バランスの取れた代表的コミュニティ分割を特定する。
• フィッシャー変換としきい値処理（z = 1.3859）を用いて、相関係数の統計的有意性に基づき行動層を構築する。
• 各層と各日についてグラフカット分割を適用し、コミュニティ構造を計算することで、時間的比較を可能にする。
• 調整ランダ指数（ARI）を用いて、日ごとのコミュニティ分割を定量的に比較し、安定性を評価する。

実験結果

リサーチクエスチョン

• RQ1 多層コミュニティ検出は、動的ソーシャルネットワークにおける安定的で意味のあるコミュニティ構造を特定する点で、単層解析を上回ることができるか？
• RQ2 行動的（時間的相関）および関係的（共起）ネットワーク層は、コミュニティ検出にどのように異なる貢献をしているか？
• RQ3 パレート最適性フレームワークは、多層ネットワーク解析における競合する目的を効果的にバランスさせることができるか？
• RQ4 複数のネットワーク層を統合した場合、コミュニティ構造にどのような時間的パターンが現れるか？
• RQ5 単層手法と比較して、多層解析は出来事検出（例：ハリケーン・サンディ、大統領討論）においてどの程度向上をもたらすか？

主な発見

• パレート最適化多層手法は、ARIヒートマップにブロック構造を示し、単層解析よりも時間的により安定したコミュニティ構造を示した。
• ハッシュタグユーザー層だけでは、日ごとの類似性が低く、2クラスタの安定した解が得られなかったが、ボリューム層ではハリケーン・サンディの期間中に強い相関が観察された。
• 統合手法では、第1回国政討論に該当する日付3～5で、日ごとの類似性が向上しており、これは単層解析では明確に見えなかった。
• 多層アプローチは、ボリューム層単体では見られた、月の前半と後半の間の誤った類似性を解消した。
• パレートフロンティアの解は、両層からの構造的パターンを保持しており、単一の層手法よりもより強固で解釈可能なコミュニティ分割をもたらした。
• ARI解析により、多層手法が、いずれの層を個別に分析した場合よりも、時間的に整合性があり、より安定したコミュニティ構造を生成することが確認された。