[논문 리뷰] Improving PageRank for Local Community Detection

Alexandre Hollocou, Thomas Bonald외 1명|arXiv (Cornell University)|2016. 10. 27.

Complex Network Analysis Techniques참고 문헌 14인용 수 4

한 줄 요약

이 논문은 시드 노드에서부터 저차원 랜덤 워크 임베딩을 사용하여 다수의 중첩 가능한 커뮤니티를 탐지할 수 있는 새로운 局소 커뮤니티 탐지 알고리즘 WalkSCAN을 제안한다. 짧은 랜덤 워크(T=2–3)를 통해 노드를 벡터 공간에 매핑함으로써 렉시코그래픽 랭킹(LexRank)과 DBSCAN 군집화를 통해 효율적인 커뮤니티 탐지를 가능하게 하며, 복잡한 커뮤니티 구조를 가진 실제 네트워크에서 PageRank를 능가한다.

ABSTRACT

Community detection is a classical problem in the field of graph mining. While most algorithms work on the entire graph, it is often interesting in practice to recover only the community containing some given set of seed nodes. In this paper, we propose a novel approach to this problem, using some low-dimensional embedding of the graph based on random walks starting from the seed nodes. From this embedding, we propose some simple yet efficient versions of the PageRank algorithm as well as a novel algorithm, called WalkSCAN, that is able to detect multiple communities, possibly overlapping. We provide insights into the performance of these algorithms through the theoretical analysis of a toy network and show that WalkSCAN outperforms existing algorithms on real networks.

연구 동기 및 목표

• 대규모이고 복잡한 네트워크에서의 전역 커뮤니티 탐지의 한계를 해결하기 위해 시드 노드에서 시작하는 국소 커뮤니티 탐지에 초점을 맞춘다.
• 단일 상호배타적 커뮤니티를 가정하는 것이 아니라, 다수의 중첩 가능한 커뮤니티를 탐지할 수 있는 방법을 개발한다.
• 타겟 커뮤니티 외부의 노드가 포함된 노이즈가 있거나 완벽하지 않은 시드 세트에 대해서도 강건성을 향상시킨다.
• 기존의 PageRank 기반 방법에 비해 계산 효율성이 높은 저차원 임베딩을 사용하는 대안을 제공한다.

제안 방법

• 계산 효율성을 위해 T=2 또는 3인 저차원 공간(T차원)에 시드 노드에서의 랜덤 워크 확률을 이용해 노드를 임베딩한다.
• 임베딩 공간에서 PageRank를 선형 분류기로 재해석함으로써, PageRankThreshold 및 LexRank와 같은 단순한 변형을 가능하게 한다.
• 임베딩 공간 내의 사전순으로 정렬된 노드 순위를 기반으로 하는 매개변수 없는 방법인 LexRank를 제안한다.
• 임베딩 공간에 DBSCAN 군집화를 적용하여 다수의 커뮤니티를 탐지하는 WalkSCAN을 도입한다.
• 짧은 랜덤 워크를 사용함에도 불구하고 커뮤니티 구조를 유지할 수 있도록 임베딩을 설계하여 확장성 있고 정확한 탐지를 가능하게 한다.
• 이론적 분석을 통해 시드 노드가 다수의 커뮤니티를 포함할 경우, 서로 다른 커뮤니티의 노드들이 임베딩 벡터로 분리됨을 확인하였다.

실험 결과

연구 질문

• RQ1 시드 노드에서부터의 저차원 랜덤 워크 임베딩이 국소 커뮤니티 탐지에 있어 커뮤니티 구조를 효과적으로 유지할 수 있는가?
• RQ2 임베딩 공간 내 사전순 정렬 기반의 LexRank가 커뮤니티 탐지에서 전통적인 PageRank를 능가하는가?
• RQ3 시드 세트가 한 개 이상의 커뮤니티를 포함할 경우 WalkSCAN이 다수의 중첩 가능한 커뮤니티를 탐지할 수 있는가?
• RQ4 시드 세트에 비타겟 노드가 포함되었을 때 WalkSCAN의 강건성은 어떠한가?
• RQ5 노이즈 또는 변형된 네트워크 조건 하에서도 임베딩 기반 접근법이 성능을 유지하는가?

주요 결과

• WalkSCAN은 복잡하고 중첩 가능한 커뮤니티 구조를 가진 실제 네트워크에서 기존 알고리즘, 특히 PageRank를 능가한다.
• 랜덤 워크 단계 수 T=2 또는 3만으로도 높은 성능을 달성함으로써, 효과적인 커뮤니티 탐지에 저차원 임베딩으로도 충분함을 시사한다.
• 매개변수 없는 변형인 LexRank는 임베딩 공간 내 사전순으로 정렬된 노드 기반으로 경쟁적인 성능을 보였다.
• 시드 세트가 다수의 커뮤니티를 포함할 경우 WalkSCAN은 표준 PageRank가 갖지 못하는 다수의 커뮤니티를 성공적으로 복원하였다.
• 알고리즘이 시드 세트 오류에 강건하여, 타겟 커뮤니티 외부의 노드가 포함되어 있어도 높은 정확도를 유지하였다.
• 소규모 네트워크에서의 이론적 분석을 통해 임베딩 벡터가 서로 다른 커뮤니티의 노드를 분리하며, 임베딩 공간 내에서 명확한 군집 패턴이 관찰됨을 확인하였다.