[논문 리뷰] A Method for Group Extraction and Analysis in Multilayer Social Networks

Piotr Bródka|arXiv (Cornell University)|2016. 12. 07.

Complex Network Analysis Techniques참고 문헌 115인용 수 11

한 줄 요약

이 논문은 다층 사회망에서 군집 추출 및 진화 분석을 위한 새로운 방법을 제안한다. CLECC(교차층 간 엣지 클러스터링 계수)를 사용하며, 이는 여러 층 간 이웃의 유사성을 측정하는 지표이다. CLECC 알고리즘은 군집을 식별하고, 그룹 진화 탐지(GED) 방법은 시간에 따라 변화하는 그룹의 변화를 추적하여 실제 및 벤치마크 네트워크에서 높은 정확도와 효율성을 달성한다. 이는 다층 네트워크를 위한 새로운 mLFR 벤치마크를 포함한다.

ABSTRACT

The main subject studied in this dissertation is a multi-layered social network (MSN) and its analysis. One of the crucial problems in multi-layered social network analysis is community extraction. To cope with this problem the CLECC measure (Cross Layered Edge Clustering Coefficient) was proposed in the thesis. It is an edge measure which expresses how much the neighbors of two given users are similar each other. Based on this measure the CLECC algorithm for community extraction in the multi-layered social networks was designed. The algorithm was tested on the real single-layered social networks (SSN) and multi-layered social networks (MSN), as well as on benchmark networks from GN Benchmark (SSN), LFR Benchmark (SSN) and mLFR Benchmark (MSN) a special extension of LFR Benchmark, designed as a part of this thesis, which is able to produce multi-layered benchmark networks. The second research problem considered in the thesis was group evolution discovery. Studies on this problem have led to the development of the inclusion measure and the Group Evolution Discovery (GED) method, which is designed to identify events between two groups in successive time frames in the social network. The method was tested on a real social network and compared with two well-known algorithms regarding accuracy, execution time, flexibility and ease of implementation. Finally, a new approach to prediction of group evolution in the social network was developed. The new approach involves usage of the outputs of the GED method. It is shown, that using even a simple sequence, which consists of several preceding groups sizes and events, as an input for the classifier, the learned model can produce very good results also for simple classifiers.

연구 동기 및 목표

• 다양한 유형의 관계가 동시에 존재하는 다층 사회망(MSN)에서 전통적인 단일층 방법이 구조적 복잡성으로 인해 실패하는 문제를 해결한다.
• 다양한 네트워크 층 간 이웃의 유사성을 평가할 수 있는 새로운 엣지 수준 측정법인 CLECC를 개발하여 강력한 군집 탐지 기반을 마련한다.
• 다이나믹 사회망에서 융합, 분할, 확장과 같은 구조적 변화를 식별함으로써 시간에 따른 그룹 진화를 탐지할 수 있도록 한다.
• 현실적이고 확장 가능한 다층 네트워크 구조를 갖춘 새로운 다층 벤치마크(mLFR)를 제작하여 알고리즘 평가에 활용한다.
• 이전의 그룹 크기와 이벤트 시퀀스를 기반으로 한 예측 프레임워크를 설계하여 단순 분류기임에도 불구하고 뛰어난 성능을 달성한다.

제안 방법

• 다양한 네트워크 층 간 두 노드의 공통 이웃의 유사성을 평가하는 CLECC(Cross Layered Edge Clustering Coefficient)를 도입한다.
• CLECC를 군집 탐지 알고리즘의 가중치 메커니즘으로 적용하여 엣지 유사도를 집계함으로써 유기적인 군집을 형성한다.
• 새로운 포함도 측정법을 사용하여 연속된 시간 프레임 간의 그룹 전이(예: 융합, 분할)를 탐지하는 그룹 진화 탐지(GED) 방법을 개발한다.
• 이전의 그룹 크기와 진화 이벤트 시퀀스를 입력 특징으로 사용하여 향후 그룹 상태를 분류하는 예측 모델을 구현한다.
• LFR 벤치마크의 확장으로서 제어된 군집 구조와 층 전용 연결성을 갖춘 현실적인 다층 네트워크를 생성할 수 있는 mLFR 벤치마크를 구축한다.
• 표준 평가 지표인 정규화 상호정보량과 조정 랜드 지수를 사용하여 실제 단일 및 다층 네트워크, 그리고 새로 제작한 mLFR 벤치마크에서 CLECC 및 GED 방법을 평가한다.

실험 결과

연구 질문

• RQ1 다양한 유형의 관계가 존재하는 다층 사회망에서, 상호작용이 다층에 걸쳐 퍼져 있을 경우 군집 탐지가 어떻게 효과적으로 수행될 수 있는가?
• RQ2 CLECC 측정법이 단일층 방법에 비해 다층 환경에서 군집 탐지 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 시간에 따라 변화하는 다층 네트워크에서 그룹 진화 이벤트(예: 융합, 분할)를 얼마나 정확하게 탐지할 수 있는가?
• RQ4 이전의 그룹 크기와 이벤트 시퀀스를 기반으로 한 단순 분류기가 향후 그룹 진화를 높은 정확도로 예측할 수 있는가?
• RQ5 기존의 최첨단 알고리즘 대비 제안된 방법들은 성능, 실행 시간, 유연성 측면에서 어떻게 비교되는가?

주요 결과

• CLECC 알고리즘은 실제 및 벤치마크 다층 네트워크에서 높은 정확도로 군집 탐지를 달성하였으며, 단일층 기반 베이스라인보다 뛰어난 성능을 보였다.
• GED 방법은 두 개의 잘 알려진 알고리즘과 비교해 뛰어난 정확도와 효율성을 보였으며, 더 빠른 실행 시간과 더 쉬운 구현을 가능하게 하였다.
• 이전의 그룹 크기와 진화 이벤트 시퀀스만을 사용한 예측 모델이 뛰어난 성능을 달성하여, 단순한 시간적 시퀀스가 그룹 역학 예측에 매우 유용함을 시사하였다.
• 신규 개발된 mLFR 벤치마크는 다층 군집 탐지 및 진화 방법의 신뢰할 수 있는 평가를 가능하게 하였으며, 향후 연구를 위한 표준화된 테스트베드를 제공하였다.
• CLECC와 GED의 통합은 군집 추출부터 진화 추적 및 예측까지 포괄적인 분석 파이프라인을 가능하게 하였다.
• 실증적 평가를 통해 제안된 방법들이 유연하고 확장 가능하며, 사회망 분석의 실제 응용에 적합함을 확인하였다.