[논문 리뷰] Finding Overlapping Communities in Social Networks: Toward a Rigorous Approach

Sanjeev Arora, Rong Ge외 2명|arXiv (Cornell University)|2011. 12. 08.

Complex Network Analysis Techniques인용 수 6

한 줄 요약

이 논문은 지역적 이고-센터릭 네트워크 분석과 전역적 구조 복원을 결합하여 사회 네트워크 내 중첩 공동체를 탐지하기 위한 엄밀한 알고리즘 프레임워크를 제안한다. 성질 테스팅에 영감을 받은 랜덤 샘플링을 사용하여, 지역 네트워크 구조에 대한 약한, 그러나 경험적으로 타당한 가정 하에 증명 가능한 최악의 경우 실행 시간 보장을 달성하며, 중첩 공동체 탐지 분야에서 히우리스틱 접근 방식에 대한 이론적으로 타당한 대안을 제공한다.

ABSTRACT

A "community" in a social network is usually understood to be a group of nodes more densely connected with each other than with the rest of the network. This is an important concept in most domains where networks arise: social, technological, biological, etc. For many years algorithms for finding communities implicitly assumed communities are nonoverlapping (leading to use of clustering-based approaches) but there is increasing interest in finding overlapping communities. A barrier to finding communities is that the solution concept is often defined in terms of an NP-complete problem such as Clique or Hierarchical Clustering. This paper seeks to initiate a rigorous approach to the problem of finding overlapping communities, where "rigorous" means that we clearly state the following: (a) the object sought by our algorithm (b) the assumptions about the underlying network (c) the (worst-case) running time. Our assumptions about the network lie between worst-case and average-case. An average case analysis would require a precise probabilistic model of the network, on which there is currently no consensus. However, some plausible assumptions about network parameters can be gleaned from a long body of work in the sociology community spanning five decades focusing on the study of individual communities and ego-centric networks. Thus our assumptions are somewhat "local" in nature. Nevertheless they suffice to permit a rigorous analysis of running time of algorithms that recover global structure. Our algorithms use random sampling similar to that in property testing and algorithms for dense graphs. However, our networks are not necessarily dense graphs, not even in local neighborhoods. Our algorithms explore a local-global relationship between ego-centric and socio-centric networks that we hope will provide a fruitful framework for future work both in computer science and sociology.

연구 동기 및 목표

• 사회 네트워크 내 중첩 공동체 탐지에 대한 이론적 프레임워크가 부족한 문제를 해결한다.
• 현재의 접근 방식을 지배하는 히우리스틱 또는 확률적 모델의 한계를 극복한다.
• 명확한 문제 정의, 가정, 최악의 경우 실행 시간 분석을 포함한 엄밀한 접근 방식을 수립한다.
• 지역적 이고-센터릭 네트워크 성질과 전역적 공동체 구조 복원을 연결한다.
• NP-난해 문제에 의존하지 않는 계산적으로 효율적이고 분석 가능한 히우리스틱 접근 방식의 대안을 제공한다.

제안 방법

• 사회학적 연구에서 유래한 이고-센터릭 네트워크에 대한 명시적 가정을 바탕으로 공동체 탐지 문제를 수식화한다.
• 밀도 높은 그래프 알고리즘과 성질 테스팅에 영감을 받은 랜덤 샘플링 기법을 사용하며, 희박한 네트워크에도 적용 가능하다.
• 지역적 이웃과 그 상호 연결성을 분석하여 전역적 공동체 구조를 복원한다.
• 이타-센터릭 서브그래프와 사회-센터릭 네트워크 구조를 연결하는 하이브리드 지역-전역 분석 프레임워크를 도입한다.
• 제시된 가정 하에 증명 가능한 최악의 경우 실행 시간을 갖는 알고리즘을 설계하며, NP-난해 최적화에 의존하지 않는다.
• 제한된 중첩과 국소 밀도와 같은 구조적 성질을 활용하여 알고리즘의 효율성과 정확성을 보장한다.

실험 결과

연구 질문

• RQ1 중첩 공동체 탐지 문제를 실행 시간 경계를 포함한 엄밀한 이론적 보장을 갖는 방식으로 수식화할 수 있는가?
• RQ2 전역적 공동체 복원을 가능하게 하기 위해 필요한 최소한의, 경험적으로 타당한 지역 네트워크 구조 가정은 무엇인가?
• RQ3 랜덤 샘플링 기법을 어떻게 희박한 네트워크에 적응시켜 중첩 공동체를 탐지할 수 있는가?
• RQ4 이타-센터릭 네트워크 성질이 전역적 공동체 구조 탐지에 얼마나 기여할 수 있는가?
• RQ5 실제 공동체 중첩을 반영할 수 있는 프레임워크를 개발할 수 있는가? 이때 NP-난해 문제에 의존하지 않는다.

주요 결과

• 제안된 알고리즘은 지역 네트워크 구조에 대한 약한, 그러나 경험적으로 지지되는 가정 하에 증명 가능한 최악의 경우 실행 시간을 확보한다.
• 지역 이웃에서의 랜덤 샘플링을 통해 밀도 높은 그래프를 가정하지 않더라도 전역적 중첩 공동체 구조를 정확하게 복원할 수 있다.
• 이 프레임워크는 이타-센터릭(지역적)과 사회-센터릭(전역적) 네트워크 시각을 성공적으로 연결하여 확장 가능한 분석을 가능하게 한다.
• 클리크 탐지나 모듈러리티 최적화와 같은 NP-난해 문제에 의존하지 않아 더 실용적인 대안을 제공한다.
• 사회학적 가정, 즉 공동체 중첩과 국소 연결성에 대한 현실적인 가정이 엄밀한 알고리즘 분석을 위해 충분함을 입증한다.
• 컴퓨터 과학과 사회학 분야의 향후 다학제적 연구를 위한 기초 프레임워크를 수립한다. 이는 이론적 엄밀성과 경험적 타당성을 동시에 확보한다.