[논문 리뷰] A simple bipartite graph projection model for clustering in networks

Austin R. Benson, Paul Liu외 1명|arXiv (Cornell University)|2020. 07. 01.

Complex Network Analysis Techniques참고 문헌 57인용 수 4

한 줄 요약

이 논문은 이원 네트워크에 대해 분석적으로 투영이 공통 네트워크 성질을 어떻게 유도하는지 연구하기 위해 단순한 Chung-Lu 무작위 그래프 모델을 제안한다. 이는 투영 과정 자체만으로도 희박성, 긴 꼬리 분포를 가지는 도수 분포, 국소 클러스터링, 그리고 전역적인 전이성 등이 크게 발생할 수 있음을 보여주며, 실제 데이터셋에 대한 실증적 검증을 통해 관측된 클러스터링의 대부분이 이 메커니즘에 의해 설명된다는 것을 입증한다.

ABSTRACT

Graph datasets are frequently constructed by a projection of a bipartite graph, where two nodes are connected in the projection if they share a common neighbor in the bipartite graph; for example, a coauthorship graph is a projection of an author-publication bipartite graph. Analyzing the structure of the projected graph is common, but we do not have a good understanding of the consequences of the projection on such analyses. Here, we propose and analyze a random graph model to study what properties we can expect from the projection step. Our model is based on a Chung-Lu random graph for constructing the bipartite representation, which enables us to rigorously analyze the projected graph. We show that common network properties such as sparsity, heavy-tailed degree distributions, local clustering at nodes, the inverse relationship between node degree, and global transitivity can be explained and analyzed through this simple model. We also develop a fast sampling algorithm for our model, which we show is provably optimal for certain input distributions. Numerical simulations where model parameters come from real-world datasets show that much of the clustering behavior in some datasets can just be explained by the projection step.

연구 동기 및 목표

• 이원 그래프를 투영했을 때 생기는 단일 네트워크의 구조적 결과를 이해하기 위해.
• 투영 과정의 영향을 다른 네트워크 메커니즘과 분리하여 고려할 수 있는 다룰 만한 무작위 그래프 모델을 개발하기 위해.
• 관측된 네트워크 성질, 예를 들어 클러스터링과 긴 꼬리 도수 분포가 투영의 산물인지 아니면 체계적 특성의 반영인지 판단하기 위해.
• 최소 모델 하에서 투영된 그래프의 클러스터링 계수와 도수 분포에 대한 이론적 공식을 제공하기 위해.
• 실제 세계 데이터셋을 사용해 모델을 실증적으로 검증하고, 예측 결과를 데이터 및 다른 모델과 비교하기 위해.

제안 방법

• 노드 무게의 곱에 비례하는 간선 확률을 갖는 이원 그래프에 대해 Chung-Lu 무작위 그래프 모델을 사용한다.
• 왼쪽 노드가 공통된 오른쪽 이웃을 공유할 경우, 이원 그래프를 단일 그래프로 투영한다.
• 노드의 무게에 대한 기대 국소 클러스터링 계수의 해석적 표현을 유도하며, 이는 무게에 대해 역수의 의존성을 보인다.
• 네트워크 크기가 증가함에 따라 전역 클러스터링(전이성)이 양의 상수로 수렴함을 입증한다.
• 특히 긴 꼬리 분포를 가지는 무게 분포에 대해 매우 효율적인, 증명된 최적의 샘플링 알고리즘을 도입한다.
• 실제 이원 도수 분포에 모델 파라미터를 피팅하고, 예측된 클러스터링 및 폐쇄 계수를 실측 데이터와 비교한다.

실험 결과

연구 질문

• RQ1 이원 투영 과정 자체가 실제 네트워크에서 관측된 국소 클러스터링을 어느 정도 설명할 수 있는가?
• RQ2 투영된 그래프의 도수 분포와 클러스터링 계수는 이원 그래프의 무게 분포에 어떻게 의존하는가?
• RQ3 실제 투영된 네트워크에서 관측된 전역 전이성은 무작위 투영으로 설명될 수 있는가, 아니면 추가적인 구조가 필요한가?
• RQ4 이 모델 하에서 클러스터링의 다른 측정치인 폐쇄 계수는 투영된 그래프에서 어떻게 행동하는가?
• RQ5 다른 모델들(예: 무작위 교차 그래프)과 비교해 볼 때, 이 모델은 실측 클러스터링 패턴을 얼마나 잘 재현하는가?

주요 결과

• 노드의 기대 국소 클러스터링 계수는 그 무게에 대해 역비례하며, 이는 실측으로 관측된 도수와 클러스터링 간의 역관계를 설명한다.
• 이원 그래프의 양측에 대해 긴 꼬리 분포를 가지는 무게 분포가 존재할 경우, 투영된 그래프는 긴 꼬리 도수 분포를 상속한다.
• 감독-이사회 데이터셋을 제외한 모든 데이터셋에서, 제안된 모델이 무작위 교차 모델보다 평균 국소 클러스터링을 더 잘 설명한다.
• 실제 네트워크에서 도수에 대한 국소 클러스터링 계수의 기능 형태를 모델이 잘 포착함으로써, 실측 행동의 대부분이 투영 과정에 기인해 있다는 것을 시사한다.
• 큰 네트워크 근처에서 투영된 그래프의 전역 클러스터링은 양의 상수로 수렴하며, 이는 투영 과정 자체에서 지속적인 전이성을 유도한다는 것을 나타낸다.
• 국소 클러스터링에서 강한 일치가 있었음에도 불구하고, 실재 네트워크의 전역 클러스터링은 모델의 예측을 뛰어넘는 경향이 있어, 투영 외부의 추가적인 전역 구조가 필요함을 시사한다.