[논문 리뷰] A Clustering Coefficient to Identify Important Nodes in Bipartite Networks.

Jessica Liebig, Asha Rao|arXiv (Cornell University)|2014. 06. 23.

Complex Network Analysis Techniques참고 문헌 30인용 수 2

한 줄 요약

이 논문은 이분 네트워크에 대한 새로운 클러스터링 계수를 제안하여 구조적 유형의 클러스터를 구분함으로써 영향력 있는 노드를 더 정확하게 식별할 수 있도록 한다. 전역 및 국소 클러스터링 점수를 결합함으로써 각 노드에 중심성 유사 측정치를 부여하여 네트워크 구조를 형성하는 데서의 역할을 드러내며, 이는 이분 네트워크의 조직 구조에 대한 새로운 통찰을 제공한다.

ABSTRACT

Bipartite networks have gained an increasing amount of attention over the past few years. Network measures in particular, have been the focus of this research as many of them cannot be directly applied to bipartite networks. The clustering coefficient is one measure that has been redefined recently to suit the analysis of bipartite networks. Building up on this definition, we propose a clustering coefficient that distinguishes between differently structured bipartite clusters. We use this measure to identify influential nodes in a given bipartite network. By comparing the global and local clustering coefficients, we assign a score to each node that indicates the extent to which it drives the clustering behaviour of the whole network. We demonstrate that our clustering coefficient is not only able to identify influential nodes, but gives new insights into a network’s structure. 1

연구 동기 및 목표

• 표준 클러스터링 계수의 한계를 해결하기 위해 이분 네트워크 분석에 적용할 수 없는 두 모드 구조로 인해 직접 적용이 어려운 점을 해결한다.
• 이분 클러스터의 구조적 다양성을 반영하는 클러스터링 계수를 개발하여 균일한 클러스터 정의를 넘어서는 것을 목표로 한다.
• 전체 네트워크의 클러스터링 행동에 기여하는 정도를 정량화함으로써 영향력 있는 노드를 식별한다.
• 노드 수준의 지표를 전역 클러스터링 패턴과 연결함으로써 네트워크 구조에 대한 더 세밀한 이해를 제공한다.

제안 방법

• 네트워크의 두 모드 성격을 고려하여 표준 클러스터링 계수를 재정의함으로써 이분 네트워크에 적합하게 조정한다.
• 스타형 또는 체인형 패턴과 같은 구조적 구성에 따라 이분 클러스터의 다양한 유형을 구분한다.
• 각 노드의 근접 이웃과 클러스터 유형에 기반하여 국소 클러스터링 계수를 계산한다.
• 전체 네트워크에 걸쳐 클러스터링 행동의 요약을 제공하는 전역 클러스터링 계수를 계산한다.
• 국소 및 전역 클러스터링 점수를 병합하여 각 노드의 클러스터링 역학에 대한 영향력을 평가하는 복합 노드 점수를 구성한다.
• 수득한 점수를 사용하여 클러스터링을 이끄나 유지하는 노드를 순위 매기고 식별한다.

실험 결과

연구 질문

• RQ1 이분 네트워크의 구조적 다양성을 반영하기 위해 클러스터링 계수는 어떻게 재정의할 수 있는가?
• RQ2 개별 노드는 이분 네트워크의 전반적인 클러스터링 행동에 어느 정도의 영향을 미치는가?
• RQ3 국소 및 전역 클러스터링 측정치를 통합하면 이분 네트워크에서 영향력 있는 노드를 효과적으로 식별할 수 있는가?
• RQ4 노드별 클러스터링 기여도를 분석함으로써 네트워크 구조에 대해 어떤 통찰을 얻을 수 있는가?

주요 결과

• 제안된 클러스터링 계수는 이분 네트워크 내 다양한 구조적 유형의 클러스터를 성공적으로 구분한다.
• 복합 클러스터링 점수가 높은 노드는 클러스터링 행동의 주요 주도 요소로 규명되어 구조적 중요성을 나타낸다.
• 기존의 표준 클러스터링 측정치로는 탐지할 수 없는 네트워크의 숨겨진 구조적 패턴을 드러낸다.
• 국소 및 전역 클러스터링 점수의 조합은 각각의 지표보다 더 정확하고 정보가 풍부한 노드 영향력 측정치를 제공한다.
• 이 방법은 이분 시스템에서 노드의 기능적 및 위상적 역할에 대한 새로운 해석적 통찰을 제공한다.