[論文レビュー] Limited Attention and Centrality in Social Networks

Kristina Lerman, Prachi Jain+3 more|arXiv (Cornell University)|Mar 18, 2013

Complex Network Analysis Techniques参考文献 1被引用数 6

ひとこと要約

本稿では、ソーシャルネットワークにおけるユーザーの有限な注目度が情報拡散に与える影響をモデル化する新しい中心性測定法である制限付き注目度Alpha中心性（laAC）を提案する。メッセージ受信をノードのインデグリーに応じて重み付けすることで、DiggおよびTwitterのデータにおいて従来の中心性測定法よりも現実のインフルエンサー順位をよりよく予測できる。

ABSTRACT

How does one find important or influential people in an online social network? Researchers have proposed a variety of centrality measures to identify individuals that are, for example, often visited by a random walk, infected in an epidemic, or receive many messages from friends. Recent research suggests that a social media users' capacity to respond to an incoming message is constrained by their finite attention, which they divide over all incoming information, i.e., information sent by users they follow. We propose a new measure of centrality --- limited-attention version of Bonacich's Alpha-centrality --- that models the effect of limited attention on epidemic diffusion. The new measure describes a process in which nodes broadcast messages to their out-neighbors, but the neighbors' ability to receive the message depends on the number of in-neighbors they have. We evaluate the proposed measure on real-world online social networks and show that it can better reproduce an empirical influence ranking of users than other popular centrality measures.

研究の動機と目的

• ユーザーが有限な注目度を持つソーシャルネットワークにおける現実のインフルエンスを捉えることができない既存の中心性測定法の限界を解消すること。
• 注目度制約がオンラインソーシャルネットワークにおけるメッセージ受信およびエピデミック的拡散に与える影響をモデル化すること。
• 大規模ネットワークにおけるlaACを計算するためのスケーラブルで近似可能なアルゴリズムを構築し、誤差の上限を保証すること。
• DiggおよびTwitterの実データを用いて、laACを標準的な中心性測定法と比較して評価すること。
• degree、PageRank、または標準的なAlpha中心性よりも、laACが実世界のインフルエンス順位をよりよく再現できることを示すこと。

提案手法

• ノードのインデグリーに依存してメッセージ受信能力が制限される注目度制限付きメッセージ受信をモデル化するため、制限付き注目度Alpha中心性（laAC）を提案する。
• 再帰的式を用いてlaACを定義する：cr(α,s)[i] = s[i] + α × Σ (cr(α,s)[j] / d_in(j)) （ノードiのアウトネイバーjについての和）。
• 顕著な寄与のみを処理するため、残差ベクトルと優先度キューを用いた高速近似アルゴリズムを導入し、計算時間を削減する。
• 誤差許容値δを設定し、ε = δ||s||₁ / (|V|d_max_in) を用いて近似精度を制御し、O(|V|d_max_in / (δ(1−α))) 時間以内に収束することを保証する。
• 比較評価のため、同様の近似フレームワークを制限付き注目度PageRank（laPR）に適応する。
• パフォーマンス保証と反復的精錬を用いて、大規模ネットワーク（DiggやTwitterなど）へのスケーラビリティを維持しながら精度を保つ。

実験結果

リサーチクエスチョン

• RQ1 従来の拡散モデルと比較して、オンラインソーシャルネットワークにおけるユーザーの限界的な注目度は、情報拡散にどのように影響を与えるか？
• RQ2 注目度制約を組み込んだ中心性測定法は、標準的な中心性測定法よりも現実のインフルエンス順位をよりよく予測できるか？
• RQ3 大規模ネットワークにおける制限付き注目度Alpha中心性の近似アルゴリズムの計算効率と精度はどの程度か？
• RQ4 DiggやTwitterなどの実際のソーシャルネットワークにおいて、laACはdegree、PageRank、および標準的なAlpha中心性と比較して、実測インフルエンス順位の再現性でどの程度優れているか？
• RQ5 インデグリーに反比例するように注目度をモデル化することで、中心性測定法の現実性と予測力はどの程度向上するか？

主な発見

• 提案された制限付き注目度Alpha中心性（laAC）は、DiggおよびTwitterネットワークにおいて、degree、PageRank、および標準的なAlpha中心性よりも、実測インフルエンス順位をよりよく再現する。
• 誤差許容値δを設定したlaACの近似アルゴリズムは高い精度を達成しており、δが小さくなるほど性能が向上し、それに応じて収束時間が延びる。
• Gnutella、USAir、Powergridネットワークでは、近似laACおよび近似laPRアルゴリズムが低いRMS誤差を示し、ネットワークサイズに応じて効率的にスケーリングする。
• 収束に必要な反復回数は、δが小さくなるにつれて増加する傾向を示しており、これはDiggおよびTwitterデータセットにおいて明確に観察される。
• 近似laACアルゴリズムの理論的時間計算量はO(|V|d_max_in / (δ(1−α)))であり、実世界のグラフにおいてその実用的効率性が実証結果で裏付けられている。