[논문 리뷰] Models of on-line social networks

Anthony Bonato, Noor Hadi외 3명|arXiv (Cornell University)|2013. 08. 15.

Complex Network Analysis Techniques참고 문헌 35인용 수 25

한 줄 요약

이 논문은 온라인 소셜 네트워크를 위한 반복적 국소 전이성(Iterated Local Transitivity, ILT) 모델을 제안한다. 새로운 노드들이 각 시점에서 기존 노드의 닫힌 이웃 집합을 복제함으로써 네트워크가 형성된다. 이 모델은 밀도 증가 법칙, 감소하는 평균 거리, 높은 클러스터링, 열악한 확장성과 같은 실세계의 OSN 특성을 재현하며, 코프 수, 지배 수, 자동사상군의 구조와 같은 구조적 불변성을 유지한다.

ABSTRACT

We present a deterministic model for on-line social networks (OSNs) based on transitivity and local knowledge in social interactions. In the Iterated Local Transitivity (ILT) model, at each time-step and for every existing node $x$, a new node appears which joins to the closed neighbour set of $x.$ The ILT model provably satisfies a number of both local and global properties that were observed in OSNs and other real-world complex networks, such as a densification power law, decreasing average distance, and higher clustering than in random graphs with the same average degree. Experimental studies of social networks demonstrate poor expansion properties as a consequence of the existence of communities with low number of inter-community edges. Bounds on the spectral gap for both the adjacency and normalized Laplacian matrices are proved for graphs arising from the ILT model, indicating such bad expansion properties. The cop and domination number are shown to remain the same as the graph from the initial time-step $G_0$, and the automorphism group of $G_0$ is a subgroup of the automorphism group of graphs generated at all later time-steps. A randomized version of the ILT model is presented, which exhibits a tuneable densification power law exponent, and maintains several properties of the deterministic model.

연구 동기 및 목표

• 실세계 네트워크에서 관찰되는 핵심 경험적 성질을 반영하는 결정론적 모델을 개발하는 것.
• 기존 모델의 한계를 보완하기 위해 네트워크 진화 과정에 전이성과 국소 지식을 통합하는 것.
• 모델이 밀도 증가 법칙, 감소하는 평균 거리, 높은 클러스터링을 가지는 그래프를 생성함을 증명하는 것.
• 정규화 라플라시안 행렬과 인접 행렬의 스펙트럼 성질, 특히 스펙트럼 간격을 분석하여 열악한 확장성을 나타내는 것.
• 밀도 증가 법칙의 지수를 조절할 수 있는 랜덤화된 버전으로 모델을 확장하면서도 핵심 구조적 성질을 유지하는 것.

제안 방법

• ILT 모델은 각 시점에서 기존 노드의 닫힌 이웃 집합을 복제함으로써 신규 노드를 생성하여 네트워크 형성 과정에서 전이성을 보장한다.
• 모델은 기본 그래프 $ G_0 $ 로 초기화되며, 각 단계 $ t $ 에서 $ G_{t-1} $ 의 모든 노드가 자신의 닫힌 이웃에 연결된 새로운 노드를 생성한다.
• 그래프의 볼륨 변화는 재귀 관계를 통해 분석되며, $ { m vol}(H_t) = 3{ m vol}(H_{t-1}) + 2^t + \text{random edges} $ 로 표현되며, 여기서 랜덤 엣지는 확률 $ p(2^t) $ 로 추가된다.
• 체르노프 부등식을 통한 농도 경계를 이용하여 볼륨이 $ (1+o(1))(3+ au)^t $ 로 증가함을 보이며, 이는 랜덤 교란에 대해 안정성을 보장한다.
• 레마 2.6를 이용해 스펙트럼 간격 경계를 유도하여 스펙트럼 간격이 정점 집합의 볼륨과 간선 확장성과 관련이 있음을 보이며, $ ilde{ au}(T) = ilde{ au}(1) $ 를 도출함으로써 열악한 확장성을 나타낸다.
• 랜덤화된 변형인 ILT($ p $) 는 확률 $ p(2^t) $ 로 랜덤 엣지를 추가하여 밀도 증가 법칙의 지수를 제어할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 전이성과 국소 지식에 기반한 결정론적 모델이 실온라인 소셜 네트워크의 핵심 구조적 성질을 재현할 수 있는가?
• RQ2 ILT 모델은 시간이 지남에 따라 밀도 증가 법칙과 감소하는 평균 거리를 가지는 그래프를 생성하는가?
• RQ3 ILT 모델이 생성하는 그래프에서 스펙트럼 성질—특히 정규화 라플라시안과 인접 행렬의 스펙트럼 간격—은 어떻게 행동하는가?
• RQ4 ILT 모델에서 코프 수, 지배 수, 자동사상군과 같은 구조적 불변성이 시간에 따라 얼마나 유지되는가?
• RQ5 ILT 모델의 랜덤화된 버전은 결정론적 모델의 핵심 성질을 유지하면서도 밀도 증가 법칙의 지수를 조절할 수 있는가?

주요 결과

• ILT 모델은 지수 $ a \to \frac{\tau}{3+\tau} $ 를 가지는 밀도 증가 법칙을 만족하는 그래프를 생성한다. 여기서 $ \tau $ 는 조절 가능한 매개변수이다.
• ILT 모델에서 평균 거리와 지름은 시간에 관계없이 상수로 상한이 존재하므로 거리가 감소하거나 안정됨을 나타낸다.
• ILT로 생성된 그래프의 클러스터링 계수는 동일한 평균 차수를 가진 랜덤 그래프보다 현저히 높다.
• 정규화 라플라시안의 스펙트럼 간격은 $ \tilde{\tau}(T) = \tilde{\tau}(1) = \tilde{\tau}(1) $ 로 표현되며, 실세계 네트워크와 일치하는 열악한 확장성 특성을 나타낸다.
• 코프 수와 지배 수는 모든 시점에서 초기 그래프 $ G_0 $ 와 동일하게 유지된다.
• 초기 그래프 $ G_0 $ 의 자동사상군은 모든 후속 그래프 $ G_t $ 의 자동사상군의 부분군이 되며, 대칭성이 유지된다.