[논문 리뷰] Modularity based community detection in heterogeneous networks

Jingfei Zhang, Yuguo Chen|arXiv (Cornell University)|2018. 03. 21.

Complex Network Analysis Techniques참고 문헌 2인용 수 10

한 줄 요약

이 논문은 공동체 수를 미리 알지 못하고도 유연하게 다루는 이질적 네트워크를 위한 모듈러리티 기반 공동체 탐지 프레임워크를 제안한다. 이는 서로 다른 노드 및 간 유형을 고려하는 노드 유형별 도수 분포를 반영한 null 모델을 사용하여 모듈러리티를 이질적 네트워크로 확장하고, Louvain 유형 최적화를 통해 모듈러리티를 최대화하며, 스토케스틱 블록모델 하에서 일관성을 보이며, DBLP 및 MovieLens와 같은 실세계 데이터셋에서 뛰어난 성능을 보인다.

ABSTRACT

Heterogeneous networks are networks consisting of different types of nodes and multiple types of edges linking such nodes. While community detection has been extensively developed as a useful technique for analyzing networks that contain only one type of nodes, very few community detection techniques have been developed for heterogeneous networks. In this paper, we propose a modularity based community detection framework for heterogeneous networks. Unlike existing methods, the proposed approach has the flexibility to treat the number of communities as an unknown quantity. We describe a Louvain type maximization method for finding the community structure that maximizes the modularity function. Our simulation results show the advantages of the proposed method over existing methods. Moreover, the proposed modularity function is shown to be consistent under a heterogeneous stochastic blockmodel framework. Analyses of the DBLP four-area dataset and a MovieLens dataset demonstrate the usefulness of the proposed method.

연구 동기 및 목표

• 다양한 노드 및 간 유형을 가진 이질적 네트워크에 특화된 공동체 탐지 방법의 부족을 해결하기 위해.
• 기존 방법들이 공동체 수를 사전에 지정하거나 교차 유형 간 유형을 忽略하는 한계를 극복하기 위해.
• 사전에 공동체 수를 가정하지 않고도 공동체를 식별할 수 있는 탄력적인 모듈러리티 기반 프레임워크를 개발하기 위해.
• 이질적 스토케스틱 블록모델 프레임워크 하에서 제안된 모듈러리티 함수의 이론적 일관성을 확보하기 위해.
• 실세계 데이터셋, 특히 DBLP 및 MovieLens을 활용한 응용을 통해 실용적 유용성을 입증하기 위해.

제안 방법

• 다양한 노드 유형 간 동일 유형 및 이질적 유형 간 유형을 모두 고려하는 이질적 네트워크 모듈러리티 함수를 정의하기 위해.
• 공동체 구조가 없을 경우 예상 간 분포를 유지하는 null 모델을 구축하여, 노드 유형별 도수 분포를 반영하기 위해.
• 내부 유형 및 외부 유형 간 유형 쌍의 기여도 합으로 모듈러리티를 공식화하고, null 모델 하에서 예상 간 수에 따라 조정하기 위해.
• 노드를 공동체에 재할당하여 모듈러리티 함수를 반복적으로 최대화하는 Louvain 유형 최적화 알고리즘을 구현하기 위해.
• 공동체 할당 벡터와 전이 행렬을 사용하여 공동체 간의 노드 소속도 및 간 확률을 모델링하기 위해.
• 스토케스틱 블록모델 프레임워크 하에서 모듈러리티 최대화자가 진짜 공동체 구조로 수렴함을 증명함으로써 이론적 일관성을 확보하기 위해.

실험 결과

연구 질문

• RQ1 다양한 노드 및 간 유형을 가진 이질적 네트워크에서 모듈러리티 기반 접근법이 공동체 탐지에 효과적으로 작용할 수 있는가?
• RQ2 실세계 이질적 네트워크에서 제안된 방법은 기존 공동체 탐지 기법보다 어떻게 성능을 냈는가?
• RQ3 제안된 모듈러리티 함수는 이질적 스토케스틱 블록모델 하에서 진짜 공동체 구조를 회복하는 데 일관성이 있는가?
• RQ4 이 방법은 공동체 수를 입력으로 요구하지 않고도 자동으로 공동체 수를 결정할 수 있는가?
• RQ5 예를 들어 사용자-행사 간 유형 간 유형을 포함할 경우, 이질적 네트워크에서 공동체 탐지 정확도에 어떤 영향을 미치는가?

주요 결과

• 제안된 모듈러리티 함수는 이질적 스토케스틱 블록모델 하에서 일관성이 있으며, 네트워크 크기가 증가함에 따라 추정된 공동체 구조가 진짜 구조로 수렴함을 의미한다.
• Louvain 유형 최적화 알고리즘이 모듈러리티 함수를 성공적으로 최대화하며, 공동체 수를 사전에 지정하지 않고도 공동체 구조를 식별한다.
• 시뮬레이션 결과는 제안된 방법이 이질적 네트워크에서 공동체 탐지에 있어 기존 접근법보다 뛰어난 성능을 보임을 보여준다.
• DBLP 사면 영역 데이터셋에서, 이 방법은 연구자 및 학문 분야의 공동체를 성공적으로 식별하여 협업 패턴에 기반한 의미 있는 군집을 드러낸다.
• MovieLens 데이터셋에서, 이 방법은 사용자 및 영화의 공동체를 탐지하며, 사용자 공동체는 특정 영화 장르에 대해 뚜렷한 선호를 보인다.
• 이 방법은 강건성과 확장성 면에서 뛰어나져, 이전 연구에서 사용된 스펙트럴 클러스터링 방법보다 큰 네트워크를 더 효율적으로 처리한다.