[논문 리뷰] Multi-Stratum Networks: toward a unified model of on-line identities

Matteo Magnani, Luca Rossi|arXiv (Cornell University)|2012. 11. 01.

Complex Network Analysis Techniques참고 문헌 20인용 수 4

한 줄 요약

이 논문은 트위터, 페이스북, 유튜브 등의 다양한 소셜 플랫폼을 통합하는 일관된 계층적 프레임워크로 사용자 온라인 신원을 표현하기 위해 멀티스트라텀 네트워크(MSN) 모델을 제안한다. 계층 간 중심성 측정법을 확장함으로써 네트워크의 연결성은 크게 향상되고 경로 길이는 감소함을 입증하며, 플랫폼을 별도로 분석할 경우 사용자 영향력과 네트워크 구조에 대한 완전하지도 않으며 오해의 소지가 있는 통찰을 초래한다는 점을 보여준다.

ABSTRACT

One of the reasons behind the success of Social Network Analysis is its simple and general graph model made of nodes (representing individuals) and ties. However, when we focus on our daily on-line experience we must confront a more complex scenario: people inhabitate several on-line spaces interacting to several communities active on various technological infrastructures like Twitter, Facebook, YouTube or FourSquare and with distinct social objectives. This constitutes a complex network of interconnected networks where users' identities are spread and where information propagates navigating through different communities and social platforms. In this article we introduce a model for this layered scenario that we call multi-stratum network. Through a theoretical discussion and the analysis of real-world data we show how not only focusing on a single network may provide a very partial understanding of the role of its users, but also that considering all the networks separately may not reveal the information contained in the whole multi-stratum model.

연구 동기 및 목표

• 사용자들이 여러 플랫폼을 통해 형성하는 온라인 신원의 복잡성을 완전히 반영하지 못하는 단일 네트워크 기반 소셜 네트워크 분석의 한계를 해결하기 위해.
• 사용자들이 트위터, 유튜브, 링크드인 등 다양한 소셜 미디어 계층에서 각기 다른 신원을 유지하는 계층적 시스템으로 온라인 소셜 행동을 모델링하기 위해.
• 다양한 네트워크의 데이터를 통합하여 사용자 간 연결성과 영향력에 대한 더 정확하고 통합적인 시각을 제공하는 분석 도구를 개발하기 위해.
• 기존의 단일 네트워크 분석이 정보 확산 및 중심성 추정에서 사용자 영향 범위와 연결성을 과소평가한다는 점을 입증하기 위해.

제안 방법

• 각 계층이 별개의 소셜 플랫폼(예: 프렌드피드, 트위터, 유튜브)을 나타내는 계층적 네트워크 구조로 멀티스트라텀 네트워크(MSN) 모델을 제안한다.
• 사용자를 여러 계층에 걸쳐 연결시켜 플랫폼 간 신원 매핑을 가능하게 하는 '필러(-pillar)' 모델을 도입한다.
• 다른 네트워크 간 동일한 사용자를 연결하는 노드 매핑(Node Mappings)을 정의하여 계층 간 분석을 가능하게 한다.
• 기존의 중심성 지표(도수 중심성, 가까움 중심성, 중간 중심성)를 MSN 프레임워크로 확장하여 모든 계층을 동시에 계산한다.
• 단일 네트워크 대비 다중 네트워크 통합의 추가 가치를 수량화하기 위해 네트워크 보완성 지수(Network Complementarity Index)를 도입한다.
• 프렌드피드, 트위터, 유튜브의 실제 데이터셋을 활용하여 모델의 타당성을 실증적으로 검증하고 연결성 향상 및 중심성 정확도 향상을 측정한다.

실험 결과

연구 질문

• RQ1 다양한 소셜 네트워크를 하나의 멀티스트라텀 모델로 통합할 경우, 개별 네트워크를 별도로 분석하는 것과 비교해 사용자 중심성 추정의 정확도가 어떻게 향상되는가?
• RQ2 다양한 플랫폼을 통합할 경우 사용자 간 평균 경로 길이는 얼마나 감소하는가? 이는 네트워크의 접근 가능성 향상과 관련이 있는가?
• RQ3 계층 간 연결이 온라인 소셜 네트워크에서 거대 연결 컴포넌트의 크기에 미치는 영향은 어떠한가?
• RQ4 멀티스트라텀 네트워크(MSN) 모델은 플랫폼을 개별적으로 분석할 경우 가려졌던 사용자 영향력을 어떻게 드러내는가?
• RQ5 MSN 프레임워크는 플랫폼 간 정보 확산을 더 정확하게 모델링하는 데 어떤 방식으로 기여하는가?

주요 결과

• 멀티스트라텀 네트워크(MSN)의 거대 연결 컴포넌트는 5,512개의 노드를 포함한다. 이는 가장 큰 단일 네트워크인 트위터의 4,990개 노드보다 10% 더 많으며, 통합으로 인한 뚜렷한 연결성 향상을 보여준다.
• 모든 테스트 대상 사용자에 대해 MSN에서 계산한 평균 경로 길이가 단일 네트워크 대비 감소한다. 감소 폭은 0.06에서 1.17단계에 이르며, 예를 들어 사용자 #6의 경우 3.27단계에서 2.96단계로 줄어든다.
• 도수 중심성 순위는 네트워크 간에 상당한 차이를 보인다. 예를 들어 사용자 #1은 트위터에서는 도수 중심성이 더 높지만 프렌드피드에서는 낮다. 그러나 MSN은 더 균형 잡히고 종합적인 시각을 제공한다.
• 그림 7의 오차 지표에 따르면, 단일 네트워크 분석 대비 MSN은 중심성 추정의 절대 오차와 상대 오차를 모두 감소시킨다.
• MSN 모델은 계층 간 연결을 활용하여 이전에 분리되어 있던 사용자를 탐지할 수 있다. 예를 들어, 한 사용자는 유튜브와 트위터를 통해 연결되어 있으나, 각각의 네트워크에서 직접 연결되어 있지는 않다.
• 네트워크 보완성 지수는 네트워크 통합이 네트워크 커버리지 및 사용자 접근성 향상에 비중요하지 않은 개선을 가져온다는 점을 확인하며, 데이터 통합 및 신원 프로파일링 분야에서 모델의 실용성을 입증한다.