[논문 리뷰] Community structure in social and biological networks

Michelle Girvan, M. E. J. Newman|RePEc: Research Papers in Economics|2001. 12. 07.

Complex Network Analysis Techniques인용 수 15

한 줄 요약

이 논문은 네트워크 내 커뮤니티 구조를 탐지하기 위한 새로운 알고리즘을 제안하며, 간선의 중심성 중심성을 통해 커뮤니티 경계를 식별함으로써 합성 네트워크와 실제 네트워크(식량망 및 협업 네트워크 포함)에서 높은 정확도를 보이며 생물학적·사회적으로 의미 있는 군집을 드러내어 생태학적·사회적 현실과 일치시킴.

ABSTRACT

A number of recent studies have focused on the statistical properties of networked systems such as social networks and the World-Wide Web. Researchers have concentrated particularly on a few properties which seem to be common to many networks: the small-world property, power-law degree distributions, and network transitivity. In this paper, we highlight another property which is found in many networks, the property of community structure, in which network nodes are joined together in tightly-knit groups between which there are only looser connections. We propose a new method for detecting such communities, built around the idea of using centrality indices to find community boundaries. We test our method on computer generated and real-world graphs whose community structure is already known, and find that it detects this known structure with high sensitivity and reliability. We also apply the method to two networks whose community structure is not well-known - a collaboration network and a food web - and find that it detects significant and informative community divisions in both cases.

연구 동기 및 목표

• 복잡한 네트워크에서 커뮤니티 구조를 탐지하기 위한 강력하고 일반적인 방법의 부족을 해결하기 위해.
• 밀도가 높은 핵심 영역에 집중하기보다는 커뮤니티 경계를 식별하는 기법을 개발하기 위해.
• 알려진 커뮤니티 구조를 가진 네트워크에서의 성능을 평가하고, 이전에 특성화되지 않은 네트워크에 적용하기 위해.
• 실제 네트워크의 커뮤니티 구조가 기능적 또는 생태학적 의미 있는 군집과 일치하는지 탐색하기 위해.
• 대규모 네트워크 분석에 활용하기 위한 알고리즘의 확장성과 적응 가능성 평가하기 위해.

제안 방법

• 알고리즘은 커뮤니티 간에 위치할 가능성이 높은 간선을 식별하기 위해 간선의 중심성 중심성을 중심성 측정 기준으로 사용함.
• 최고의 중심성 값을 가진 간선을 반복적으로 제거함으로써 네트워크를 점차적으로 더 작은 구성 요소로 분리함.
• 모든 간선이 제거될 때까지 이 과정을 반복하여 계층적인 커뮤니티 트리 구조를 생성함.
• 각 단계의 간선 제거 과정에서 형성된 가장 큰 구성 요소를 커뮤니티로 식별함.
• 밀도가 높은 영역 간을 연결하는 간선에 초점을 맞춤으로써 커뮤니티의 외곽을 탐지하도록 설계됨.
• 비방향성 및 비가중치 네트워크에 적용되며, 가중치가 있는 네트워크나 방향성 네트워크로의 확장 가능성 있음.

실험 결과

연구 질문

• RQ1 알려진 커뮤니티 구조를 가진 네트워크에서 간선의 중심성 중심성이 커뮤니티 경계를 효과적으로 식별할 수 있는가?
• RQ2 식량망 및 협업 네트워크와 같은 실제 네트워크에서 이 방법이 커뮤니티를 얼마나 잘 탐지하는가?
• RQ3 탐지된 커뮤니티가 생물학적 및 사회적 시스템에서 의미 있는 기능적 또는 생태학적 군집과 일치하는가?
• RQ4 희박한 네트워크와 밀도가 높은 네트워크에서 알고리즘의 성능은 어떻게 되며, 전통적인 클러스터링 방법과 비교해 볼 때 어떠한가?
• RQ5 이 방법은 가중치가 있거나 방향성 네트워크를 처리하도록 조정할 수 있으며, 계산 효율성은 어떻게 향상시킬 수 있는가?

주요 결과

• 합성 네트워크에서 알고리즘이 알려진 커뮤니티 구조를 높은 민감도와 신뢰성으로 성공적으로 탐지함.
• Zachary의 카레이트 클럽 네트워크에서, 클럽 분열 이후 발생한 두 커뮤니티를 정확히 식별하여 실제 결과와 일치함.
• 칼리지 풋볼 네트워크에서는 컨퍼런스 구조를 높은 정확도로 복원하여 팀의 95%를 정확히 해당 컨퍼런스에 할당함.
• 체사피크 바 식량망에서는 펠라지얼 및 벤식 생물에 해당하는 두 주요 커뮤니티를 식별하며, 상호 커뮤니티 연결 수가 매우 적음.
• 알고리즘은 생태학적 커뮤니티가 영양단계보다 서식지에 의해 더 잘 정의됨을 드러내어 전통적인 분류 방법에 도전함.
• 밀도가 높은 네트워크에서는 성능이 떨어지므로, 현재 형태로는 이러한 경우에 제한이 있음.