[논문 리뷰] ABACUS: Apriori-BAsed Community discovery in mUltidimensional networkS

Michele Berlingerio, Fabio Pinelli외 1명|arXiv (Cornell University)|2013. 03. 08.

Complex Network Analysis Techniques인용 수 3

한 줄 요약

ABACUS는 Apriori 알고리즘을 사용하여 다중 차원 네트워크의 단차원 공동체 소속을 집계함으로써 다차원 공동체를 식별하는 혁신적인 다차원 공동체 탐지 방법을 제안한다. 이 방법은 어느 한 차원에서도 직접 연결이 없더라도 의미 있는, 높은 상관관계를 가지는 노드 집단을 발견할 수 있으며, 실제 다차원 네트워크에서 검증되었다.

ABSTRACT

Community Discovery in complex networks is the problem of detecting, for each node of the network, its membership to one of more groups of nodes, the communities, that are densely connected, or highly interactive, or, more in general, similar, according to a similarity function. So far, the problem has been widely studied in monodimensional networks, i.e. networks where only one connection between two entities can exist. However, real networks are often multidimensional, i.e., multiple connections between any two nodes can exist, either reflecting different kinds of relationships, or representing different values of the same type of tie. In this context, the problem of Community Discovery has to be redefined, taking into account multidimensional structure of the graph. We define a new concept of community that groups together nodes sharing memberships to the same monodimensional communities in the different single dimensions. As we show, such communities are meaningful and able to group highly correlated nodes, even if they might not be connected in any of the monodimensional networks. We devise ABACUS (Apriori-BAsed Community discoverer in mUltidimensional networkS), an algorithm that is able to extract multidimensional communities based on the apriori itemset miner applied to monodimensional community memberships. Experiments on two different real multidimensional networks confirm the meaningfulness of the introduced concepts, and open the way for a new class of algorithms for community discovery that do not rely on the dense connections among nodes.

연구 동기 및 목표

• 노드 간에 다수의 타입 또는 값의 관계가 존재하는 다차원 네트워크에서 공동체 탐지의 정의를 재고하기 위해.
• 기존 방법이 단일 네트워크에서 밀도 높은 내부 공동체 연결에 의존하는 한계를 해결하기 위해.
• 다양한 차원에서의 공통 소속 기반으로 유착된 그룹을 식별하는 공동체 탐지 접근법을 개발하기 위해.
• 이러한 다차원 공동체가 실제 복잡한 네트워크에서 의미 있는지 검증하기 위해.

제안 방법

• ABACUS는 기존의 공동체 탐지 알고리즘을 사용하여 각 네트워크 차원에서 단차원 공동체를 추출한다.
• 각 노드의 다차원에 걸친 공동체 소속을 아이템셋의 트랜잭션으로 표현한다.
• Apriori 알고리즘이 이러한 트랜잭션에서 빈번한 아이템셋을 채굴하여 공통의 다차원 공동체 소속을 식별한다.
• 빈번한 아이템셋에 기반하여 공동체가 형성되며, 이는 다수의 차원에서 동일한 공동체에 속하는 노드들을 나타낸다.
• 이 방법은 어느 한 차원에서도 노드 간 직접적인 간선이 필요로 하지 않으며, 대신 공통의 공동체 소속에 중점을 둔다.
• 노드가 어느 개별 차원에서도 직접 연결되어 있지 않더라도 상관관계가 있는 노드 집단을 탐지할 수 있다.

실험 결과

연구 질문

• RQ1 다양한 차원에서 동일한 단차원 공동체에 소속된 노드 집단을 의미 있게 다차원 공동체로 정의할 수 있는가?
• RQ2 공동체 소속에 대한 Apriori 기반 채굴이 유착된 다차원 공동체를 식별하는 데 얼마나 효과적인가?
• RQ3 발견된 다차원 공동체는 개별 차원에서 발견된 것보다 노드 간 더 강한 상관관계를 반영하는가?
• RQ4 ABACUS는 어느 한 단차원 네트워크에서도 명백하지 않은 공동체를 탐지할 수 있는가?
• RQ5 ABACUS의 실증적 성능은 기존의 공동체 탐지 방법에 비해 실제 다차원 네트워크에서 어떻게 나타나는가?

주요 결과

• ABACUS는 다양한 차원에서 매우 높은 상관관계를 가지는 행동이나 관계를 가진 노드들을 유착된 다차원 공동체로 성공적으로 식별한다.
• 노드가 어느 한 차원에서도 직접 연결되어 있지 않더라도 의미 있는 공동체를 발견함으로써, 잠재적인 그룹 구조를 드러내는 능력을 입증한다.
• 두 개의 실제 다차원 네트워크에서 수행된 실험을 통해 발견된 공동체의 타당성과 유착성을 확인하였다.
• 다양한 차원에서의 공통 공동체 소속은 직접적인 네트워크 연결보다도 그룹의 유착성에 더 강력한 지표가 될 수 있음을 드러냈다.
• Apriori 기반의 아이템셋 채굴을 사용함으로써, 밀도 높은 내부 공동체 간 연결에 의존하지 않고도 다차원 공동체를 효율적으로 탐지할 수 있었다.
• 결과는 관계 유사성에 중점을 두는 공동체 탐지의 새로운 방향을 열어주었다.