[논문 리뷰] Hirsch index as a network centrality measure

Mônica G. Campiteli, Adriano J. Holanda외 3명|arXiv (Cornell University)|2010. 05. 26.

Complex Network Analysis Techniques참고 문헌 13인용 수 7

한 줄 요약

이 논문은 복잡한 네트워크를 위한 새로운 局소 중심성 측정법으로 히르슈 지수(h-index)를 제안하며, 노드의 이웃들의 차수에 기반하여 이를 정의한다. 이는 고순위 노드에서 고유벡터 중심성과 강한 상관관계를 보이며, 특히 Moby Thesaurus II 네트워크에서 언어학적 핵심 용어를 식별하는 데 고유벡터 중심성보다 뛰어난 성능을 보여, 웹이나 생물학적 시스템과 같은 운반 네트워크가 아닌 네트워크에서 순위 매기기 작업에 계산적이고 개념적인 우수성을 지닌다.

ABSTRACT

We study the h Hirsch index as a local node centrality measure for complex networks in general. The h index is compared with the Degree centrality (a local measure), the Betweenness and Eigenvector centralities (two non-local measures) in the case of a biological network (Yeast interaction protein-protein network) and a linguistic network (Moby Thesaurus II) as test environments. In both networks, the Hirsch index has poor correlation with Betweenness centrality but correlates well with Eigenvector centrality, specially for the more important nodes that are relevant for ranking purposes, say in Search Machine Optimization. In the thesaurus network, the h index seems even to outperform the Eigenvector centrality measure as evaluated by simple linguistic criteria.

연구 동기 및 목표

• 실제 복잡한 네트워크에서 히르슈 중심성 지수를 국소 노드 중심성 측정법으로 평가하기 위해.
• 생물학적 및 언어학적 네트워크에서 전통적인 중심성 측정법—차수, 중간성, 고유벡터 중심성—과 히르슈 지수를 비교하기 위해.
• 히르슈 지수가 고유벡터 중심성 및 중간성과 같은 전역 중심성 측정법보다 계산적으로 효율적인 대안이 될 수 있는지 순위 매기기 작업에서 평가하기 위해.
• 경로 기반 측정법이 덜 의미 있는 비운반 네트워크에서 히르슈 지수의 개념적 및 계산적 우수성을 조사하기 위해.
• 전통적인 중심성 측정법보다 의미적으로 근본적인 노드(예: 다의어 단어 또는 핵심 단백질)를 더 잘 식별할 수 있는지 판단하기 위해.

제안 방법

• 노드의 히르슈 중심성 지수 h를 정의한다. 이는 노드가 최소 h개의 이웃을 가지며, 각 이웃의 차수 ≥ h를 만족하는 최대 정수이다.
• 히르슈 지수를 두 가지 실제 네트워크에 적용한다: Moby Thesaurus II(30,260개 노드, 약 170만 개의 유향 링크)와 효모 단백질-단백질 상호작용 네트워크(5,433개 노드, 약 15만 개의 무향 링크).
• 로그-로그 산점도와 순위 상관계수 분석을 통해 히르슈 지수를 차수, 중간성, 고유벡터 중심성과 비교하여 계산한다.
• 언어학적 및 생물학적 기준을 활용하여 순위 질적 평가를 수행하며, 고-h 노드가 의미적으로 근본적이거나 기능적으로 중요한 노드와 일치하는지에 중점을 둔다.
• h와 차수, 고유벡터 중심성 간의 척도 행동을 분석하여 고차수/고고유벡터 중심성 영역에서 거듭제곱 법칙 관계(h ∝ D^0.4 및 h ∝ E^0.4)를 관찰한다.
• 중간 수준의 h이지만 고유벡터 중심성이 낮은 노드 군집(특히 리보솜 단백질)을 식별하고 해석하여, 기능적 모듈 탐지 잠재력이 있음을 제안한다.

실험 결과

연구 질문

• RQ1 실제 생물학적 및 언어학적 네트워크에서 히르슈 지수는 차수, 중간성, 고유벡터 중심성과 어떻게 상관관계가 있는가?
• RQ2 히르슈 지수는 특히 순위 매기기 작업에서 의미적으로나 생물학적으로 중요한 노드를 식별하는 데 고유벡터 중심성보다 뛰어나게 작용하는가?
• RQ3 운반 네트워크가 아닌 네트워크에서 중간성 및 고유벡터 중심성과 같은 전역 측정법에 비해 국소 측정법인 히르슈 지수의 계산적이고 개념적인 우수성은 무엇인가?
• RQ4 히르슈 지수는 고유벡터 중심성이 실패하는 경우에도 생물학적 네트워크에서 기능적 모듈(예: 리보솜 단백질)을 탐지할 수 있는가?
• RQ5 히르슈 지수는 검색 엔진 최적화와 같은 대규모 순위 매기기 응용 프로그램에서 고유벡터 중심성의 실현 가능하고 저비용 대체 수 Mittel인가?

주요 결과

• 고유벡터 중심성과의 강한 상관관계가 관찰되며, 특히 Moby Thesaurus II 네트워크에서 순위 매기기와 관련된 고고유벡터 중심성 영역에서 h ∝ E^0.4의 관계를 보인다.
• 어휘 네트워크에서 히르슈 지수는 고유벡터 중심성보다 다의어 단어—'cut', 'set', 'run'과 같은 기본적인 단어—를 더 잘 식별한다. 이는 'cut up'이나 'set upon'처럼 고유벡터 중심성은 높지만 h는 낮은 용어보다 직관적으로 더 중요한 단어임을 시사한다.
• 히르슈 지수와 중간성 중심성 간의 상관관계는 낮아, 이는 경로 기반 측정법과는 다른 국소 중심성 개념을 반영한다.
• 히르슈 지수의 계산 비용은 고유벡터 중심성보다 낮다. 이는 국소 차수 정보에 의존하며 반복 계산이 필요 없기 때문이다.
• 리보솜 단백질과 같은 기능적 모듈을 구성하는 노드 군집 중 h는 중간 수준이지만 고유벡터 중심성은 낮은 경우를 관찰하여, 히르슈 지수가 전역 측정법이 포착하지 못한 기능적으로 일관된 모듈을 탐지할 수 있음을 시사한다.
• 고차수/고고유벡터 중심성 영역에서 h ∝ D^0.4 및 h ∝ E^0.4의 척도 행동은 비트리비얼한 거듭제곱 법칙 관계를 나타내지만, 지수 0.4의 기원은 아직 명확하지 않다.