[논문 리뷰] Community Detection using a Measure of Global Influence

Rumi Ghosh, Kristina Lerman|ArXiv.org|2008. 05. 29.

Complex Network Analysis Techniques참고 문헌 17인용 수 8

한 줄 요약

이 논문은 전역적 영향도 측정 기반으로 새로운 커뮤니티 탐지 방법을 제안하며, 커뮤니티를 외부 노드보다 서로 간에 더 큰 영향을 미치는 노드 집합으로 재정의한다. 영향도를 노드 간 경로 수로 모델링하고, 이 영향도 측정 기반으로 모듈라리티를 재정의함으로써, 전통적인 엣지 기반 모듈라리티보다 표준 벤치마크에서 더 뛰어난 성능을 보이며, 비트리비얼하고 융합된 커뮤니티 구조를 잘 포착한다.

ABSTRACT

The growing popularity of online social networks has provided researchers with access to large amount of social network data. This, coupled with the ever increasing computation speed, storage capacity and data mining capabilities, led to the renewal of interest in automatic community detection methods. Surprisingly, there is no universally accepted definition of the community. One frequently used definition states that ``communities, that have more and/or better-connected `internal edges' connecting members of the set than `cut edges' connecting the set to the rest of the world''[Leskovec et al. 20008]. This definition inspired the modularity-maximization class of community detection algorithms, which look for regions of the network that have higher than expected density of edges within them. We introduce an alternative definition which states that a community is composed of individuals who have more influence on others within the community than on those outside of it. We present a mathematical formulation of influence, define an influence-based modularity metric, and show how to use it to partition the network into communities. We evaluated our approach on the standard data sets used in literature, and found that it often outperforms the edge-based modularity algorithm.

연구 동기 및 목표

• 네트워크 과학에서 커뮤니티에 대한 보편적으로 수용된 정의가 부족한 문제를 해결하기 위해.
• 크기 있는 네트워크에서 비트리비얼하고 융합된 커뮤니티를 탐지하지 못하는 엣지 밀도 기반 모듈라리티의 한계를 극복하기 위해.
• 지역적 엣지 밀도가 아닌 영향도에 중심을 둔 전역적이고 구조 기반의 커뮤니티 정의를 제안하기 위해.
• 네트워크 전반의 장거리 정보 흐름을 잘 포착하는 수학적으로 탄탄한 영향도 측정 기준을 개발하기 위해.
• 새로운 영향도 기반 모듈라리티를 표준 네트워크 데이터셋에서 평가하고 기존의 엣지 기반 방법과 비교하기 위해.

제안 방법

• 두 노드 간의 모든 길이의 경로 총수를 영향도로 정의하며, 인접행렬과 감쇠 인자를 포함한 행렬 공식을 사용한다.
• 영향도 행렬을 $ P = \beta A (I - \alpha A)^{-1} $ 로 정의하며, 여기서 $ A $ 는 인접행렬이고 $ \alpha, \beta $ 는 경로 길이와 척도를 조절하는 매개변수이다.
• 영향도 행렬의 열합으로 노드 수준의 영향도 점수를 유도하여, 노드가 네트워크 전반에서 가지는 영향 범위를 나타낸다.
• 엣지 수 대신 영향도 점수를 사용하여 모듈라리티를 재정의하며, null 모델 하에서 기대되는 영향도 대비 내부 영향도의 초과를 측정한다.
• 영향도 기반 모듈라리티를 최적화를 통해 활용하여 커뮤니티를 파artitioning하며, 높은 내부 영향도를 가진 커뮤니티를 식별한다.
• 표준 벤치마크 네트워크에서 이 방법을 구현하고 평가하여, 기존의 엣지 기반 모듈라리티 최적화 방법과 성능을 비교한다.

실험 결과

연구 질문

• RQ1 경로 다수성 기반의 전역적 영향도 측정 기반 메트릭이 대규모 실세계 네트워크에서 커뮤니티 탐지에 개선을 이끌 수 있는가?
• RQ2 엣지 밀도가 아닌 영향도에 기반한 커뮤니티 정의가 비트리비얼하고 융합된 커뮤니티 구조를 더 잘 포착하는가?
• RQ3 기본 벤치마크 데이터셋에서 영향도 기반 모듈라리티와 표준 엣지 기반 모듈라리티의 정확성과 내성에 대해 어떻게 비교되는가?
• RQ4 엣지 밀도 기반 방법이 놓치는 커뮤니티, 특히 커뮤니티가 거대 컴ponent에 융합되는 네트워크에서 영향도 기반 접근이 커뮤니티를 탐지할 수 있는가?
• RQ5 지역적 엣지 기반 측정보다 영향도 메트릭이 네트워크 이질성과 노드 유형의 다양성에 더 강건한가?

주요 결과

• 영향도 기반 모듈라리티 방법은 표준 벤치마크 네트워크에서 커뮤니티 탐지 성능이 기존 엣지 기반 모듈라리티와 비슷하거나 그 이상이 되며, 종종 더 뛰어나다.
• 엣지 기반 접근이 거대 컴ponent에 융합되어 실패하는 네트워크에서도 이 방법은 커뮤니티를 성공적으로 탐지한다.
• 영향도 메트릭을 사용해 탐지된 커뮤니티는 더 이상 비트리비얼하거나 지나치게 단단한 결속을 가지지 않아, 더 자연스러운 커뮤니티 구조를 반영한다.
• 영향도 행렬 공식은 장거리 영향도와 정보 흐름을 효과적으로 포착하여 네트워크 구조에 대한 전역적 시각을 제공한다.
• 이 방법은 무방향 및 유방향 그래프 모두에 적용 가능하지만, 본 연구에서는 무방향 네트워크에 대해서만 구현 및 테스트되었다.
• 결과적으로 영향도 기반 커뮤니티 탐지는 네트워크 이질성에 더 강건하며, 실세계의 정보 확산 과정과 더 잘 일치할 수 있음을 시사한다.