[논문 리뷰] Learning Social Circles in Ego Networks based on Multi-View Social Graphs

Chao Lan, Yuhao Yang외 3명|arXiv (Cornell University)|2016. 07. 16.

Complex Network Analysis Techniques참고 문헌 45인용 수 4

한 줄 요약

이 논문은 트위터에서 유저 관계, 상호작용, 콘텐츠 등 여섯 가지 구조적 시각에서 유도된 정보를 사용하여 이고네트워크 내의 사회권을 탐지하기 위해 수정된 다시보기 스펙트럴 클러스터링 방법을 제안한다. 시각별 정보 전달 방식이 표준 다시보기 클러스터링보다 더 뛰어난 강건성을 보이며, 특히 희소하거나 잠재적으로 불완전한 네트워크에서 성능 향상을 보이며, 자동 및 수동 평가를 통한 실증적 검증을 수행한다.

ABSTRACT

In social network analysis, automatic social circle detection in ego-networks is becoming a fundamental and important task, with many potential applications such as user privacy protection or interest group recommendation. So far, most studies have focused on addressing two questions, namely, how to detect overlapping circles and how to detect circles using a combination of network structure and network node attributes. This paper asks an orthogonal research question, that is, how to detect circles based on network structures that are (usually) described by multiple views? Our investigation begins with crawling ego-networks from Twitter and employing classic techniques to model their structures by six views, including user relationships, user interactions and user content. We then apply both standard and our modified multi-view spectral clustering techniques to detect social circles in these ego-networks. Based on extensive automatic and manual experimental evaluations, we deliver two major findings: first, multi-view clustering techniques perform better than common single-view clustering techniques, which only use one view or naively integrate all views for detection, second, the standard multi-view clustering technique is less robust than our modified technique, which selectively transfers information across views based on an assumption that sparse network structures are (potentially) incomplete. In particular, the second finding makes us believe a direct application of standard clustering on potentially incomplete networks may yield biased results. We lightly examine this issue in theory, where we derive an upper bound for such bias by integrating theories of spectral clustering and matrix perturbation, and discuss how it may be affected by several network characteristics.

연구 동기 및 목표

• 네트워크 구조가 다수의 잠재적으로 불완전한 시각으로 표현될 때 이고네트워크 내 사회권 탐지 문제를 해결하는 것.
• 모든 시각을 단순히 융합하는 대신, 시각 간의 정보를 선택적으로 전달하여 희소한 이고네트워크에서 클러스터링의 강건성을 향상시키는 것.
• 표준 다재보기 클러스터링 방법이 희소하거나 불완전한 네트워크 데이터에 적용될 경우 편향이 발생하는지 조사하는 것.

제안 방법

• 트위터에서 이고네트워크를 크롤링하고, 유저 관계, 상호작용, 콘텐츠 등 여섯 가지 별도의 시각으로 그들의 구조를 모델링하였다.
• 각 시각별 유사도 행렬을 평균화하여 공통 그래프를 구성하고, 표준 다재보기 스펙트럴 클러스터링을 적용하였다.
• 시각의 신뢰도와 희소성에 기반해 정보를 선택적으로 전달하는 수정된 다재보기 스펙트럴 클러스터링 방법을 제안하였다.
• 행렬 편향 이론적 분석을 통해 불완전한 네트워크 구조가 클러스터링에 유도하는 편향의 상한을 유도하였다.
• 다양한 이고네트워크에서 검출된 사회권에 대해 자동 평가 지표와 수동 레이블링을 모두 활용해 성능을 평가하였다.
• 스펙트럴 클러스터링에 시각별 가중치 조정 기법을 통합하여 희소하거나 불완전한 시각에 대한 강건성을 향상시켰다.

실험 결과

연구 질문

• RQ1 다재보기 클러스터링은 단일 시각 클러스터링에 비해 이고네트워크 내 중첩된 사회권 탐지에서 어떤가?
• RQ2 모든 시각을 단순 융합하는 것보다 시각 간 선택적 정보 전달이 클러스터링의 강건성 향상에 기여하는가?
• RQ3 다재보기 설정에서 네트워크의 희소성과 불완전성이 클러스터링 편향에 이론적으로 어떤 영향을 미치는가?
• RQ4 다양한 네트워크 특성이 다재보기 클러스터링의 편향 상한에 어떻게 영향을 미치는가?

주요 결과

• 다재보기 클러스터링 기법은 이고네트워크 내 사회권 탐지에서 단일 시각 기법보다 유의미하게 뛰어난 성능을 보였다.
• 제안된 수정된 다재보기 클러스터링 방법은 표준 다재보기 클러스터링보다 더 뛰어난 강건성을 확보하였으며, 특히 희소하거나 잠재적으로 불완전한 네트워크 구조에서 두각을 나타냈다.
• 스펙트럴 클러스터링과 행렬 편향 이론을 활용한 이론적 분석을 통해 표준 다재보기 클러스터링이 불완전한 네트워크에 적용될 경우 편향이 발생할 수 있음을 입증하였다.
• 이론적 상한은 네트워크의 희소성 증가에 따라 증가하고, 더 높은 시각 일관성에 따라 감소함을 확인하여, 시각의 신뢰도가 편향의 크기에 영향을 미친다는 것을 시사한다.