[논문 리뷰] Community Detection in Social Network using Temporal Data

Victor Stany Rozario, AZM Ehtesham Chowdhury외 1명|arXiv (Cornell University)|2019. 04. 10.

Complex Network Analysis Techniques참고 문헌 12인용 수 4

한 줄 요약

이 논문은 시간적 데이터, 노드 속성, 간선 연결성을 통합하여 사회적 네트워크에서 클러스터링 정확도를 향상시키는 새로운 커뮤니티 탐지 방법인 상호 연결된 공간 클러스터링 모델(ILSCM)을 제안한다. 맥락 기반 핵심 키 추출과 시간적 토픽 모델링을 활용함으로써 ILSCM은 동적 밀도 중심성 분석을 통해 커뮤니티를 식별하며, 시간 역학을 忽시하는 전통적 방법에 비해 향상된 탐지 성능을 보여준다.

ABSTRACT

Social networks facilitate the social space where actors or the users have ties among them. The ties and their patterns are based on their life styles and communication. Similarly, in online social media networks like Facebook, Twitter, Myspace etc., multiple users belong to multiple specific communities. The social network represents large real-world directed social graphs. Detection of communities or clusters from these graphs is a problem of considerable research interest. The communities are formed using the neighboring nodes that have common edges and common attributes. Most of the existing community detection algorithms usually consider node contents to analyze the attributes of community. Some algorithms use the links between the nodes to determine the dense regions in the graph. But utilizing both the edge content and the vertex content to detect community are yet to be considered and verified, since the traditional extraction methods of vertex and edge data do not consider the connectivity among the nodes. This paper presents an Interlinked Spatial Clustering Model (ILSCM) which provides relevant content selection and extraction of the temporal topics for identifying the betweenness among the nodes based on the context keys to detect community.

연구 동기 및 목표

• 기존 커뮤니티 탐지 알고리즘의 한계를 해결하기 위해 시간 역학을 노드 및 간선 속성과 통합하지 못하는 문제를 해결하고자 한다.
• 시간 스탬프가 부여된 상호작용 데이터를 사용하여 사회 네트워크의 변화하는 커뮤니티 구조를 포착하는 방법을 개발하고자 한다.
• 정점 콘텐츠, 간선 연결성, 시간 패턴을 공동 분석하여 커뮤니티 탐지 정확도를 향상시키고자 한다.
• 커뮤니티 식별의 관련성을 향상시키기 위해 맥락 인지 기반 콘텐츠 선택 메커니즘을 도입하고자 한다.
• 시간적, 공간적, 속성 기반 특징을 통합할 경우 클러스터링 성능에 미치는 영향을 검증하고자 한다.

제안 방법

• 시간 패턴을 분석하여 커뮤니티를 탐지하기 위해 상호 연결된 공간 클러스터링 모델(ILSCM)을 제안한다.
• 사용자 상호작용에서 시간에 따라 변화하는 주제를 추출하기 위해 시간적 토픽 모델링을 적용하여 클러스터링을 위한 맥락 키를 형성한다.
• 맥락 키를 기반으로 밀도 중심성(_betweenness centrality_)을 계산하여 커뮤니티 경계를 정의하는 핵심 노드와 연결성을 식별한다.
• 노드 속성과 간선 연결성을 시간 데이터와 통합하여 클러스터링을 위한 기능 표현을 풍부하게 한다.
• 시간적, 속성적, 연결성 기반 특징을 통합하여 노드를 군집화하는 공간 클러스터링 접근법을 적용한다.
• 모델은 맥락 기반 콘텐츠 선택을 사용하여 관련 상호작용을 우선시하고 커뮤니티 형성 시 노이즈를 감소시킨다.

실험 결과

연구 질문

• RQ1 사회 네트워크 상호작용의 시간 역학은 커뮤니티 탐지 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 노드 속성과 간선 연결성을 병합하여 사용할 경우, 개별적으로 사용할 때보다 커뮤니티 식별 능력은 얼마나 향상되는가?
• RQ3 시간적 데이터에서 맥락 기반 키 추출은 변화하는 커뮤니티 탐지에 어떻게 기여하는가?
• RQ4 시간적 토픽과 구조적 연결성을 통합할 경우 클러스터링 성능는 어떻게 영향을 받는가?
• RQ5 동적 네트워크 환경에서 정점 콘텐츠와 간선 콘텐츠를 동시에 사용할 경우의 영향은 무엇인가?

주요 결과

• ILSCM 모델은 시간적, 속성적, 연결성 데이터를 통합하여 성공적으로 커뮤니티를 식별하며, 정적 또는 고립된 특징만을 사용하는 방법보다 뛰어난 성능을 보인다.
• 시간적 토픽 모델링을 통해 정적 네트워크 분석에서는 드러나지 않는 변화하는 커뮤니티 구조를 탐지할 수 있다.
• 밀도 중심성 분석을 위한 맥락 키의 사용은 핵심 노드와 커뮤니티 간 연결성을 더 잘 식별하는 데 기여한다.
• 정점 콘텐츠, 간선 콘텐츠, 시간 스탬프가 부여된 상호작용을 유기적으로 통합함으로써 모델은 향상된 클러스터링 정확도를 보여준다.
• 시간 데이터의 통합은 노이즈를 감소시키고 관련성을 높이며, 특히 동적 사회 네트워크에서 커뮤니티 탐지에 유리하다.
• 실증 결과는 ILSCM이 실제 사회 네트워크 데이터 기반 기준 알고리즘 대비 더 높은 커뮤니티 응집도와 분리도를 달성함을 보여준다.