[논문 리뷰] Multi-scale Dynamics in a Massive Online Social Network

Xiaohan Zhao, Alessandra Sala외 5명|arXiv (Cornell University)|2012. 05. 17.

Complex Network Analysis Techniques참고 문헌 37인용 수 9

한 줄 요약

이 논문은 1,900만 명의 사용자와 1,9900만 개의 간선을 포함하는 2년 분량의 데이터셋을 활용하여 Renren 소셜 네트워크에서 다중 척도 역학을 분석한다. 사용자, 커뮤니티, 네트워크 수준의 역학을 조사한다. 선호적 연결(preferential attachment)은 시간이 지남에 따라 약화되지만, 네트워크 성장은 점점 더 기존 사용자에 의해 주도되며, 네트워크 통합과 같은 대규모 사건은 사용자 행동에 강력하지만 일시적인 영향을 미친다.

ABSTRACT

Data confidentiality policies at major social network providers have severely limited researchers' access to large-scale datasets. The biggest impact has been on the study of network dynamics, where researchers have studied citation graphs and content-sharing networks, but few have analyzed detailed dynamics in the massive social networks that dominate the web today. In this paper, we present results of analyzing detailed dynamics in the Renren social network, covering a period of 2 years when the network grew from 1 user to 19 million users and 199 million edges. Rather than validate a single model of network dynamics, we analyze dynamics at different granularities (user-, community- and network- wide) to determine how much, if any, users are influenced by dynamics processes at different scales. We observe in- dependent predictable processes at each level, and find that while the growth of communities has moderate and sustained impact on users, significant events such as network merge events have a strong but short-lived impact that is quickly dominated by the continuous arrival of new users.

연구 동기 및 목표

• 개별 사용자 행동이 사용자 수준, 커뮤니티 수준, 네트워크 수준의 과정에 어떻게 영향을 받는지 이해하기 위해.
• 모든 온라인 소셜 네트워크(осn)의 형성기 성장 단계에서 간선 생성과 커뮤니티 형성의 진화를 연구하기 위해.
• Renren과 5Q.com 간의 고유한 대규모 네트워크 통합 사건이 사용자 행동과 네트워크 구조에 미치는 영향을 분석하기 위해.
• 실제로 큰 규모의 온라인 소셜 네트워크에서 선호적 연결의 타당성과 강도 변화를 평가하기 위해.
• 동적 커뮤니티 탐지 방법을 개발하고 적용하여 시간적 스냅샷 간의 커뮤니티 진화를 추적하기 위해.

제안 방법

• 25개월 동안의 타임스탬프 이벤트를 포함하는 대규모 익명화된 데이터셋을 사용하여 Renren에서 수집한 데이터를 분석한다. 이 데이터셋에는 1,900만 명의 사용자와 1,9900만 개의 간선이 포함되어 있다.
• 시간적 스냅샷 간의 커뮤니티를 탐지하고 추적하기 위해 라우빙 알고리즘의 증분 버전을 적용하여 동적 커뮤니티 진화 분석을 가능하게 한다.
• 간선 생성 패턴 분석과 시간에 따른 선호적 연결 강도 변화 평가를 위해 선호적 연결을 기준 모델로 사용한다.
• 2006년 12월 네트워크 통합 사건 이전과 이후의 사용자 행동을 비교하여 간선 생성과 활동 수준에 미치는 영향을 정량화한다.
• 상관관계 및 회귀 분석을 통해 커뮤니티 수명, 크기, 활동이 개인 사용자 행동에 미치는 영향을 정량화한다.
• 내부 간선(커뮤니티 내)과 외부 간선(커뮤니티 간)에 대한 사용자 선호도와 그 통합 이후의 변화를 분석한다.

실험 결과

연구 질문

• RQ1 네트워크가 성장하고 성숙함에 따라 선호적 연결의 강도는 어떻게 변화하는가?
• RQ2 커뮤니티 수준의 과정, 예를 들어 커뮤니티 크기, 활동 수준, 수명 주기 등이 개인 사용자 행동에 얼마나 영향을 미치는가?
• RQ3 대규모 네트워크 수준의 사건—예를 들어 두 소셜 네트워크의 통합—이 사용자 행동과 간선 생성 패턴에 어떤 영향을 미치는가?
• RQ4 구조적 및 동적 지표를 사용하여 커뮤니티 진화(탄생, 성장, 소멸, 융합/분열)를 예측할 수 있는가?
• RQ5 주요 네트워크 통합 사건 이후 사용자들이 내부 연결과 외부 연결에 대한 선호도를 어떻게 변화시키는가?

주요 결과

• 선호적 연결의 강도는 시간이 지남에 따라 약화되며, 네트워크가 점점 더 커질수록 고도수 노드에 연결할 가능성이 줄어든다.
• 노드 성장이 네트워크 확장과 함께 유지됨에도 불구하고, 간선 생성은 점점 더 신규 사용자가 아닌 기존 노드에 의해 지배된다.
• 2006년 12월에 발생한 네트워크 통합 사건으로 인해 사용자 활동이 급격히 증가했으며, 특히 5Q 사용자들이 외부 연결으로 인해 더 활발해졌다.
• Xiaonei(Renren) 사용자들은 5Q 사용자들보다 더 활발했고, 통합으로 인한 외부 간선 유입으로 5Q 사용자들의 활동 수준이 상승했다.
• 커뮤니티 크기 증가 가속도와 같은 구조적 특성과 동적 지표를 사용하여 커뮤니티 융합을 상당한 정확도로 예측할 수 있다.
• 사용자 행동은 개인 수준의 선호도 외에도 커뮤니티 수준의 동적 요소와 대규모 네트워크 수준의 사건에 의해 크게 영향을 받는다.