[논문 리뷰] Mining Target Attribute Subspace and Set of Target Communities in Large Attributed Networks

Peng Wu, Li Pan|arXiv (Cornell University)|2017. 05. 10.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 두 개의 샘플 노드만을 사용하여 대규모 속성 부여된 네트워크에서 타겟 커뮤니티와 그들의 속성 부분공간을 추출하는 TSCM을 제안한다. 이웃성 확산을 통해 이러한 샘플을 예시 노드로 확장함으로써 TSCM은 밀도 있는 네트워크 구조와 관련된 집중된 속성 부분공간을 추론하고, 백본 구축과 국소 확장을 통해 애플리케이션 특화 커뮤니티를 탐지한다. 합성 및 실세계 데이터에서의 실험을 통해 기존 기준 방법 대비 부분공간의 관련성 향상을 입증하였다.

ABSTRACT

Community detection provides invaluable help for various applications, such as marketing and product recommendation. Traditional community detection methods designed for plain networks may not be able to detect communities with homogeneous attributes inside on attributed networks with attribute information. Most of recent attribute community detection methods may fail to capture the requirements of a specific application and not be able to mine the set of required communities for a specific application. In this paper, we aim to detect the set of target communities in the target subspace which has some focus attributes with large importance weights satisfying the requirements of a specific application. In order to improve the university of the problem, we address the problem in an extreme case where only two sample nodes in any potential target community are provided. A Target Subspace and Communities Mining (TSCM) method is proposed. In TSCM, a sample information extension method is designed to extend the two sample nodes to a set of exemplar nodes from which the target subspace is inferred. Then the set of target communities are located and mined based on the target subspace. Experiments on synthetic datasets demonstrate the effectiveness and efficiency of our method and applications on real-world datasets show its application values.

연구 동기 및 목표

• 최소한의 사용자 입력(두 개의 샘플 노드)만으로도 속성 부여된 네트워크에서 애플리케이션 특화 커뮤니티를 식별하는 데 도전하는 것.
• 사용자 주관적 인식에 의존하는 대신, 연결된 예시 노드에서 유추된 초점 속성을 통해 부분공간의 관련성을 향상시키는 것.
• 특정 애플리케이션 요구사항에 맞게 타겟 속성 부분공간 내에서 구조적으로 밀도 있는 커뮤니티를 탐지할 수 있는 확장 가능한 방법을 개발하는 것.
• 네트워크 이웃성을 통해 제한된 샘플 정보를 확장함으로써 광범위한 사용자 제공 예시 노드에 대한 의존도를 줄이는 것.
• 속성 가중치를 네트워크 연결성과 일치시킴으로써 탐지된 커뮤니티가 구조적으로 밀도 있고 의미적으로 유의미한지 보장하는 것.

제안 방법

• 샘플 정보 확장 방법이 두 입력 노드에서 출발하여 이웃 노드를 식별함으로써, 타겟 커뮤니티의 구조와 속성을 더 잘 반영하는 예시 노드 집합을 형성한다.
• 예시 노드 집합을 기반으로 속성 중요도 가중치를 계산하여 타겟 부분공간을 유추하며, 구조적으로 밀도 있는 연결과 관련된 속성을 강조한다.
• 타겟 부분공간을 사용해 간선을 재가중함으로써 네트워크 백본을 구축하며, 밀도 있고 구조적으로 일관된 영역 내 연결을 강조한다.
• 백본 내에서 구조적으로 밀도 있는 부분그래프인 커뮤니티 시드를 식별하고, 국소 확장을 위한 기반으로 활용한다.
• 시드에서 출발하여 국소 확장을 통해 타겟 커뮤니티를 추출한 후, 중복 제거를 통해 서로 다른, 겹치지 않는 커뮤니티를 확보한다.
• 이 방법은 입력이 최소한일지라도 의미 있는 부분공간과 커뮤니티를 추론할 수 있어, 두 개의 샘플 노드만으로도 효과적으로 작동함을 입증한다.

실험 결과

연구 질문

• RQ1 속성 부여된 네트워크에서 두 개의 샘플 노드만으로도 타겟 속성 부분공간을 효과적으로 유추할 수 있는가?
• RQ2 네트워크 연결성을 활용하면 사용자 인식과 비교해 유추된 속성 가중치의 관련성을 어떻게 향상시킬 수 있는가?
• RQ3 샘플 정보 확장이 탐지된 커뮤니티의 품질과 구조적 일관성에 얼마나 기여하는가?
• RQ4 비지도 학습 또는 사용자 가이드 기반 방법과 비교해 이 방법이 애플리케이션 특화 커뮤니티 탐지에 얼마나 효과적인가?
• RQ5 정확성과 효율성을 유지하면서도 이 방법이 대규모 실세계 속성 부여된 네트워크에 확장 가능한가?

주요 결과

• TSCM는 기준 대비 검출된 커뮤니티와의 F1 스코어 0.75를 기록하여 중간 정도이지만 의미 있는 겹침을 보였으며, TSCM-NE(확장 없음)는 유의미하게 낮은 일치도를 보여 확장 단계의 필수성을 입증했다.
• DBLP 데이터셋에서 TSCM는 데이터 마이닝과 관련된 네 가지 초점 속성(ICDM, SIGKDD, PAKDD, SDM)을 포함한 타겟 부분공간을 성공적으로 식별하여 실세계 응용에서의 방법의 관련성을 확인했다.
• DBLP에서 TSCM가 탐지한 타겟 커뮤니티의 평균 크기는 136으로, TSCM-NE 커뮤니티의 평균 크기 136보다 유의미하게 크며, 더 높은 커뮤니티의 밀도와 확장성 잠재력을 시사한다.
• POLBLOGS 사례 연구에서 TSCM는 'billmon.org' 주변에서 다섯 개의 독립된 부분공간을 식별했으며, 각각 전쟁, 경제, 민주주의 등의 주제별 속성을 지녔다. 이는 주제 기반 커뮤니티를 탐색할 수 있음을 보여준다.
• 합성 네트워크에서의 실험을 통해 TSCM의 효과성과 효율성을 확인했으며, 정확도가 높은 부분공간과 구조적으로 밀도 있는 커뮤니티 탐지 능력을 입증했다.
• TSCM-NE보다 TSCM가 부분공간 품질과 커뮤니티의 일관성에서 뛰어난 성능을 보였으며, 예시 노드가 확장되지 않은 TSCM-NE는 많은 소규모 고립 커뮤니티를 생성했다.