[논문 리뷰] Bayesian Overlapping Community Detection in Dynamic Networks

Mahsa Ghorbani, Hamid R. Rabiee외 1명|arXiv (Cornell University)|2016. 05. 08.

Complex Network Analysis Techniques참고 문헌 36인용 수 3

한 줄 요약

이 논문은 공동체 수에 대한 사전 지식이 없이 동적 네트워크에서 겹치는 공동체를 탐지하기 위한 베이지안 비모수적 방법인 DBOCD를 제안한다. 링크 공동체와 재귀적 차이나 음식점 프로세스(RCRP)를 사용하여 부드러운 노드 소속 관계를 추론하고 시간적 일관성을 유지하며, 합성 및 실세계 데이터셋에서 모듈러리티와 안정성 측면에서 최신 기술을 능가한다.

ABSTRACT

Detecting community structures in social networks has gained considerable attention in recent years. However, lack of prior knowledge about the number of communities, and their overlapping nature have made community detection a challenging problem. Moreover, many of the existing methods only consider static networks, while most of real world networks are dynamic and evolve over time. Hence, finding consistent overlapping communities in dynamic networks without any prior knowledge about the number of communities is still an interesting open research problem. In this paper, we present an overlapping community detection method for dynamic networks called Dynamic Bayesian Overlapping Community Detector (DBOCD). DBOCD assumes that in every snapshot of network, overlapping parts of communities are dense areas and utilizes link communities instead of common node communities. Using Recurrent Chinese Restaurant Process and community structure of the network in the last snapshot, DBOCD simultaneously extracts the number of communities and soft community memberships of nodes while maintaining the consistency of communities over time. We evaluated DBOCD on both synthetic and real dynamic data-sets to assess its ability to find overlapping communities in different types of network evolution. The results show that DBOCD outperforms the recent state of the art dynamic community detection methods.

연구 동기 및 목표

• 공동체 수에 대한 사전 지식이 없는 동적 네트워크에서 겹치는 공동체를 탐지하는 문제에 대응하기 위해.
• 노드/간선의 추가 및 삭제와 같은 동적 변화를 처리하면서 네트워크 스냅샷 간 공동체의 시간적 일관성을 유지하기 위해.
• 노드 분할 대신 링크 분할을 사용하여 계산 복잡도를 감소시키기 위해.
• 동 同시에 부드러운 소속 관계와 공동체 수를 추론할 수 있는 확장 가능하고 비모수적 베이지안 모델을 개발하기 위해.
• 합성 및 실세계 네트워크의 다양한 진화 패턴, 즉 공동체의 융합, 분할, 출현/멸망에 대해 방법을 평가하기 위해.

제안 방법

• 확장성 향상과 겹치는 소속 관계 처리를 위해 노드 공동체 대신 링크 공동체 기반의 생성 모델을 사용한다.
• 공동체 진화를 모델링하고 공동체 수를 동적으로 추론하기 위해 사전으로 재귀적 차이나 음식점 프로세스(RCRP)를 사용한다.
• 이산적 네트워크 스냅샷의 인cidience 행렬에 대한 베이지안 추론을 통해 공동체 소속 관계와 공동체 수를 추론한다.
• 시간적 일관성을 확보하기 위해 이전 시간 단계의 공동체 구조를 사전으로 활용한다.
• 통계적 추론 방법을 적용하여 부드러운 소속 관계를 추출하고 공동체 수를 동적으로 조정한다.
• 공동체 수를 입력으로 요구하지 않기 위해 비모수적 접근 방식을 사용한다.

실험 결과

연구 질문

• RQ1 베이지안 비모수적 모델은 공동체 수에 대한 사전 지식 없이 동적 네트워크에서 겹치는 공동체를 탐지할 수 있는가?
• RQ2 네트워크 진화가 존재하는 상황에서 이 방법은 시간 단계 간 공동체 일관성을 얼마나 잘 유지하는가?
• RQ3 겹치는 공동체에 대해 링크 기반 공동체 탐지가 노드 기반 접근보다 확장성과 정확도 측면에서 뛰어나게 성능을 발휘하는가?
• RQ4 융합, 분할, 공동체 출현/멸망과 같은 다양한 네트워크 진화 패턴에서 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 실세계 동적 네트워크에서 정답이 없더라도 이 방법은 안정적이고 높은 모듈러리티를 달성할 수 있는가?

주요 결과

• 합성 데이터셋에서 다양한 진화 패턴을 가진 상태에서 DBOCD는 AFFECT, FacetNet, DSBM와 같은 최신 기술보다 모듈러리티와 안정성 측면에서 뛰어난 성능을 보였다.
• 출현, 멸망, 출현-멸망 과정에서 DBOCD는 공동체 수의 변화를 정확히 포착했으며, AFFECT는 이러한 변화의 경향을 추적하지 못했다.
• 분할 및 융합 과정에서 DBOCD는 급격한 변화에도 불구하고 안정적인 성능을 보였지만, 급격한 전환으로 인해 공동체 수를 略로 과소 평가하는 경향이 있었다.
• NEC 블로그 데이터셋에서 DBOCD는 시간이 지남에 따라 안정적인 모듈러리티를 유지했으며, 다른 방법들은 상당한 변동을 보였다.
• DBLP 공동저자 네트워크 데이터셋에서 DBOCD는 DSBM가 비겹치는 네트워크임에도 불구하고 FacetNet과 DSBM보다 더 높은 모듈러리티를 달성했으며, 이는 DBOCD가 겹치는 네트워크뿐 아니라 비겹치는 네트워크에서도 강건함을 보임을 시사한다.
• 이 방법은 증가하는(DBLP) 및 감소하는(NEC 블로그) 네트워크 크기에 걸쳐 일관된 성능을 보이며, 다양한 실세계 동적 환경에 대한 적응 가능성을 확인한다.