[論文レビュー] OLCPM: An Online Framework for Detecting Overlapping Communities in Dynamic Social Networks

Souâad Boudebza, Rémy Cazabet+2 more|arXiv (Cornell University)|Apr 11, 2018

Complex Network Analysis Techniques参考文献 39被引用数 27

ひとこと要約

OLCPM は、クリークパーコレーションとラベルプロパゲーションを段階的に更新することで、動的ソーシャルネットワークにおける重複コミュニティを検出するオンラインフレームワークである。局所的更新によりバッチ手法と比較して顕著な高速化を達成し、後処理によってコミュニティ品質を向上させ、実世界の時系列ネットワークにおいて DyCPM を上回る NMI スコアを達成した。

ABSTRACT

Community structure is one of the most prominent features of complex networks. Community structure detection is of great importance to provide insights into the network structure and functionalities. Most proposals focus on static networks. However, finding communities in a dynamic network is even more challenging, especially when communities overlap with each other. In this article , we present an online algorithm, called OLCPM, based on clique percolation and label propagation methods. OLCPM can detect overlapping communities and works on temporal networks with a fine granularity. By locally updating the community structure, OLCPM delivers significant improvement in running time compared with previous clique percolation techniques. The experimental results on both synthetic and real-world networks illustrate the effectiveness of the method.

研究の動機と目的

• 細粒度の時系列解像度を有する動的ソーシャルネットワークにおける重複および変化するコミュニティの検出という課題に対処すること。
• 動的ネットワークにおけるバッチ型クリークパーコレーション手法の高い計算コストを克服し、段階的更新を可能にすること。
• CPM におけるカバー問題を解消するラベルプロパゲーションの後処理により、コミュニティ検出の品質を向上させること。
• ネットワークの摂動に対して頑健な、決定論的かつ内因的に定義されたコミュニティを維持すること。
• 完全な再計算が非現実的である大規模な時系列ネットワークのスケーラブルな分析を可能にすること。

提案手法

• OLCPM は、各ノードまたはエッジイベント後にコミュニティを段階的に更新するオンラインクリークパーコレーション法（OCPM）を用い、各時刻ステップでの完全再計算を回避する。
• 動的クリーク構造を維持し、変更の影響を受けるクリークおよびその周辺コミュニティにのみ変更を伝搬する。
• ラベルプロパゲーションの後処理により、複数のコミュニティに属する周辺ノードを特定し、CPM のカバー問題を解消する。
• CPM の決定論的かつ重複可能なコミュニティ特性を活用しながら、完全に動的でイベント駆動のモデルに適応する。
• 局所的更新を通じて時系列ステップ間のコミュニティマッチングが暗黙的に保持され、確率的手法に見られる不安定性が低減される。
• 本フレームワークは、ウェアラブルセンサーからの接触ネットワークなど、細粒度の時系列解像度を持つ合成および実世界の時系列ネットワークをサポートする。

実験結果

リサーチクエスチョン

• RQ1 細粒度の時系列更新を伴う大規模な動的ソーシャルネットワークにおける重複コミュニティ検出をどのように効率的にスケーリングできるか？
• RQ2 クリークパーコレーション法のオンライン版は、計算コストを著しく削減しながらも検出品質を維持できるか？
• RQ3 ラベルプロパゲーションの統合は、動的環境下での CPM のカバレッジと正確性をどのように向上させるか？
• RQ4 実世界の時系列ネットワークにおいて、OLCPM は DyCPM のようなバッチ手法に比べて実行時間およびコミュニティ品質の点でどの程度優れているか？
• RQ5 コミュニティの誕生・消滅・合体・分裂などのネットワーク進化に対して、OLCPM はどの程度安定的かつ頑健であるか？

主な発見

• SocioPatterns の高校生接触ネットワークにおいて、OLCPM は k=3 の場合に平均 NMI スコア 0.059、k=4 の場合に 0.044 を達成し、それぞれ DyCPM の 0.024 および 0.004 を顕著に上回った。
• 各時刻ステップでの完全なクリーク再計算を回避することで計算コストを削減し、大規模な動的ネットワークへのスケーラビリティを実現した。
• ラベルプロパゲーションの後処理により周辺ノードが効果的に同定され、元の CPM と比較してコミュニティカバレッジと解の品質が向上した。
• OLCPM は夕方や週末におけるコミュニティの消失といった時系列的ダイナミクスを的確に捉え、現実のネットワーク進化への感受性を示した。
• 実行間で決定論的な結果を維持し、確率的手法に一般的に見られる不安定性を回避した。
• OLCPM は合成および実世界の両方のネットワークで頑健性とスケーラビリティを示し、さまざまなネットワークトポロジーや時系列解像度において一貫したパフォーマンスを発揮した。