[논문 리뷰] Evolving Twitter: an experimental analysis of graph properties of the social graph

Despoina Antonakaki, Sotiris Ioannidis외 1명|arXiv (Cornell University)|2015. 10. 05.

Complex Network Analysis Techniques참고 문헌 34인용 수 3

한 줄 요약

이 논문은 Twitter의 변화하는 소셜 그래프에서 24개의 그래프 성질을 추정하기 위한 샘플링 프레임워크를 제안한다. 이는 API에서 정렬된 팔로워 목록을 기반으로 한 히ュ리스틱을 사용해 간선 생성 시간을 근사한다. 2006~2015년 기간 동안 폭발적, 위축성, 안정적 세 단계의 성장 단계를 밝혀내며, 중심성 및 전이성과 같은 핵심 지표들이 감소함으로써 Twitter가 소규모 블로깅 플랫폼에서 광범위한 소셜 미디어로의 전환을 보여준다.

ABSTRACT

Twitter is one of the most prominent Online Social Networks. It covers a significant part of the online worldwide population~20% and has impressive growth rates. The social graph of Twitter has been the subject of numerous studies since it can reveal the intrinsic properties of large and complex online communities. Despite the plethora of these studies, there is a limited cover on the properties of the social graph while they evolve over time. Moreover, due to the extreme size of this social network (millions of nodes, billions of edges), there is a small subset of possible graph properties that can be efficiently measured in a reasonable timescale. In this paper we propose a sampling framework that allows the estimation of graph properties on large social networks. We apply this framework to a subset of Twitter's social network that has 13.2 million users, 8.3 billion edges and covers the complete Twitter timeline (from April 2006 to January 2015). We derive estimation on the time evolution of 24 graph properties many of which have never been measured on large social networks. We further discuss how these estimations shed more light on the inner structure and growth dynamics of Twitter's social network.

연구 동기 및 목표

• 크기와 영향력이 크지만 여전히 탐색이 부족한 Twitter 소셜 그래프의 시간에 따른 구조적 성질을 분석하기 위해.
• 수십억 간선을 포함하는 네트워크에서 그래프 지표를 측정하는 데 있어 계산상의 비현실성을 해결하기 위해 확장 가능한 샘플링 프레임워크를 제안하기 위해.
• Twitter API의 정렬된 팔로워 목록을 기반으로 한 히ュ리스틱을 사용해 팔로잉 관계의 생성 시간을 추정하기 위해.
• 사용자 수준 및 네트워크 수준의 지표가 시간에 따라 어떻게 변화하는지 평가하여 Twitter의 성장 역학과 구조적 조직의 변화를 드러내기 위해.
• 메모리 및 시간 제약으로 인해 전체 계산이 불가능한 실세계 소셜 네트워크에서 대규모 그래프 분석을 가능하게 하기 위해.

제안 방법

• Twitter API가 팔로워를 시간 순서로 반환한다는 사실을 활용해 팔로잉 관계의 생성 시간을 추정하는 히ュ리스틱을 개발하였다.
• 이중 샘플링 전략을 적용하였다: 간선 생성 시간에 기반해 그래프를 시대별로 시간적 분할하고, 계산 비용이 높은 지표를 위해 노드 또는 부분 그래프를 무작위로 샘플링하였다.
• 시간 복잡도를 줄이면서도 정확도를 유지하기 위해 중심성 지표와 같은 지표에 대해 컷오프 기반 근사치를 사용하였다.
• 1,320만 명의 사용자와 83억 개의 간선을 포함해 구조적, 중심성, 밀도 기반 지표를 포함한 24개의 그래프 성질을 측정하였다.
• 성장 역학과 구조적 진화를 분석하기 위해 데이터셋을 세 개의 시간 구간(2006–2009, 2009–2011, 2011–2014)으로 나누었다.
• 가능한 한도에서 부분 샘플링 결과를 전체 그래프 지표와 비교하여 샘플링 정확도를 검증하였으며, 이로 인해 스케일이 감소한 상황에서도 신뢰할 수 있는 추정이 가능함을 확인하였다.

실험 결과

연구 질문

• RQ1 API에서 직접 노출되지 않는 한계로 인해 Twitter 팔로잉 관계의 생성 시간을 어떻게 추정할 수 있는가?
• RQ2 Twitter 소셜 네트워크에서 첫 10년 동안 어떤 그래프 성질이 뚜렷한 시간적 진화를 보이는가?
• RQ3 Twitter 소셜 그래프의 주요 성장 역학은 무엇이며, 시간이 지남에 따라 어떻게 변화하는가?
• RQ4 무작위 부분 샘플링이 메모리 제약 환경에서 대규모 그래프 지표의 신뢰할 수 있는 근사치를 제공할 수 있는 정도는 어느 정도인가?
• RQ5 사용자 수준의 중심성과 네트워크 수준의 구조적 성질은 어떻게 변화하며, 이는 Twitter가 소규모 블로깅 플랫폼에서 광범위한 소셜 상호작용 플랫폼으로의 역할 전환을 어떻게 반영하는가?

주요 결과

• 논문은 Twitter 소셜 그래프에서 세 가지 명확한 성장 단계를 식별한다: 폭발적 성장 단계(2006–2009), 위축성 단계(2009–2011), 안정적 성장 단계(2011–2014).
• 근접성, 중간성, 고유벡터 중심성, 국소 전이성과 같은 지표들이 시간이 지남에 따라 일관되게 감소함을 확인하여, 영향력의 역학이 더 분산된 사용자 참여로 이동하고 있음을 시사한다.
• 밀도 및 공인용 지표 역시 감소 추세를 보이며, 밀집된 공동체에서 더 흐린 연결 구조로의 이동을 시사한다.
• 편심도와 페이지랭크 지표는 시간이 지남에 따라 지속적으로 감소하여 높은 중심성 노드의 지배력 감소를 반영한다.
• 샘플링 프레임워크는 시간 복잡도가 이차 또는 그 이상인 지표들에 대해서도 수용 가능한 정확도로 그래프 지표를 근사하는 데 성공하였다.
• 간선 생성 시간 추정을 위한 히ュ리스틱은 그 자체로는 메타데이터가 누락된 Twitter API로 인해 시간적 분석이 불가능한 소셜 그래프의 시간적 분석을 가능하게 하였다.