[논문 리뷰] Localized Algorithm of Community Detection on Large-Scale Decentralized Social Networks

Pili Hu, Wing Cheong Lau|arXiv (Cornell University)|2012. 12. 27.

Complex Network Analysis Techniques참고 문헌 21인용 수 4

한 줄 요약

이 논문은 대규모 탈중앙화 소셜 네트워크(DSN)를 위한 국소적이고 완전히 탈중앙화된 커뮤니티 탐지 알고리즘을 제안한다. 이 알고리즘은 제한된 2단계 이내의 위상 정보에 기반한 개인화된 페이지랭크(PPR)를 사용한다. PPR을 '잉크이전' 과정으로 모델링함으로써, 몇 명의 수동으로 레이블이 지정된 친구를 탈출 벡터에 포함시킬 경우, 기본 페이지랭크와 일반 히وري스틱보다 뛰어난 성능을 보이며, AUC 상대 개선률이 64.97%에 이른다.

ABSTRACT

Despite the overwhelming success of the existing Social Networking Services (SNS), their centralized ownership and control have led to serious concerns in user privacy, censorship vulnerability and operational robustness of these services. To overcome these limitations, Distributed Social Networks (DSN) have recently been proposed and implemented. Under these new DSN architectures, no single party possesses the full knowledge of the entire social network. While this approach solves the above problems, the lack of global knowledge for the DSN nodes makes it much more challenging to support some common but critical SNS services like friends discovery and community detection. In this paper, we tackle the problem of community detection for a given user under the constraint of limited local topology information as imposed by common DSN architectures. By considering the Personalized Page Rank (PPR) approach as an ink spilling process, we justify its applicability for decentralized community detection using limited local topology information.Our proposed PPR-based solution has a wide range of applications such as friends recommendation, targeted advertisement, automated social relationship labeling and sybil defense. Using data collected from a large-scale SNS in practice, we demonstrate our adapted version of PPR can significantly outperform the basic PR as well as two other commonly used heuristics. The inclusion of a few manually labeled friends in the Escape Vector (EV) can boost the performance considerably (64.97% relative improvement in terms of Area Under the ROC Curve (AUC)).

연구 동기 및 목표

• 전체 네트워크 지식이 없는 탈중앙화 소셜 네트워크(DSN)에서 커뮤니티 탐지 문제를 해결한다.
• 개인 정보 보호와 확장성을 유지하기 위해 국소적 2단계 위상 정보만을 사용하는 완전히 탈중앙화된 알고리즘을 설계한다.
• 친구 추천 및 시빌 방어와 같은 핵심 DSN 서비스를 지원하는 확장 가능한 국소적 솔루션을 개발한다.
• 실제 데이터를 사용하여 평가한다. 레이튼(160만 명의 사용자를 보유한 대규모 SNS)의 실세계 데이터를 사용하여 현실적인 조건에서의 성능을 검증한다.

제안 방법

• 대상 사용자의 에고네트워크(국소적 2단계 위상 정보)에서 커뮤니티 탐지를 이진 분류 문제로 공식화한다.
• 근접도 측정으로 Personalized Page Rank(PPR)를 활용하며, 이를 '잉크이전' 과정으로 해석하여 노드를 커뮤니티 유사도 기반으로 순위 매긴다.
• 양성 노드(친구)의 수동 레이블 집합을 탈출 벡터(EV)로 사용하여 PPR의 방향성을 유도하고 순위 정확도를 향상시킨다.
• 이중 단계 프레임워크를 적용한다. 첫 번째 단계에서는 PPR 점수를 계산하고, 두 번째 단계에서는 점수를 순위 함수로 사용하여 커뮤니티 구성원을 식별한다.
• 노드의 차수와 이전 레이블 분포를 활용하여 탈출 벡터를 개선하고 탐지 임계값을 향상시킨다.
• 전체 네트워크 협업이나 데이터 공유 없이 국소적 위상 정보와 최소한의 사용자 제공 레이블에만 의존함으로써 개인정보 보호를 확보한다.

실험 결과

연구 질문

• RQ1 국소적 위상 정보만을 사용할 경우, PPR이 2단계 이내의 에고네트워크에서 노드를 효과적으로 순위 매겨 커뮤니티 구성원을 식별할 수 있는가?
• RQ2 탈출 벡터에 몇 명의 수동으로 레이블이 지정된 친구를 포함시킬 경우, PPR 기반 커뮤니티 탐지 성능에 어떤 영향을 미치는가?
• RQ3 기본 페이지랭크와 일반 히وري스틱(예: 차수 기반, 무작위 선택)에 비해 PPR이 탈중앙화 커뮤니티 탐지에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 제한된 국소적 시야와 개인정보 보호 요구 조건 하에서, PPR 기반 접근 방식이 대규모 DSN에 대해 확장 가능하고 효과적인가?
• RQ5 다중 시드 집합을 사용함으로써 PPR 프레임워크를 겹치는 커뮤니티 탐지에 확장할 수 있는가?

주요 결과

• 실세계 SNS 데이터에서 PPR 기반 방법은 기본 페이지랭크와 두 가지 일반 히وري스틱보다 커뮤니티 탐지 정확도에서 뚜렷한 우월성을 보였다.
• 단지 몇 명의 수동 레이블이 지정된 친구를 탈출 벡터에 포함시킬 경우, ROC 곡선 아래 면적(AUC)의 상대적 개선률이 64.97%에 이르렀다.
• 2단계 위상 정보만으로도 성공적으로 커뮤니티 구성원을 식별할 수 있었으며, 이는 국소적 정보만으로도 효과적인 탐지가 가능함을 보여준다.
• PPR 접근 방식은 다중 시드 집합을 사용함으로써 겹치는 커뮤니티 탐지에 유연하게 적용할 수 있다.
• 실제로 2011년 레이튼에서 1억 6천만 명의 사용자를 보유한 데이터를 사용한 평가를 통해, 이 방법이 대규모 DSN에 대해 확장 가능하고 실용적임을 입증했다.
• 레이블 기반 시드에서 얻는 성능 향상은 최소한의 사용자 입력만으로도 전반적인 탐지 품질을 크게 향상시킬 수 있으며, 전역적 협업이 필요하지 않음을 시사한다.