[논문 리뷰] Neighborhoods are good communities

David F. Gleich, C. Seshadhri|arXiv (Cornell University)|2011. 11. 30.

Complex Network Analysis Techniques참고 문헌 20인용 수 17

한 줄 요약

이 논문은 실세계 네트워크에서 첨도가 높은 차수 분포와 높은 클러스터링 계수를 가지는 정점 이웃(egonets)이 자연스럽게 낮은 도달성(conductance)을 가지는 고품질 커뮤니티를 형성함을 제안한다. 국소적으로 최소 이웃(모든 인접 정점의 이웃보다 도달성이 뛰어난)을 식별하고, 이를 개인화된 PageRank를 통해 확장함으로써, 전체 스weep PageRank와 거의 동일한 네트워크 커뮤니티 프로파일을 달성하면서도 계산 비용을 크게 절감한다.

ABSTRACT

The communities of a social network are sets of vertices with more connections inside the set than outside. We theoretically demonstrate that two commonly observed properties of social networks, heavy-tailed degree distributions and large clustering coefficients, imply the existence of vertex neighborhoods (also known as egonets) that are themselves good communities. We evaluate these neighborhood communities on a range of graphs. What we find is that the neighborhood communities often exhibit conductance scores that are as good as the Fiedler cut. Also, the conductance of neighborhood communities shows similar behavior as the network community profile computed with a personalized PageRank community detection method. The latter requires sweeping over a great many starting vertices, which can be expensive. By using a small and easy-to-compute set of neighborhood communities as seeds for these PageRank communities, however, we find communities that precisely capture the behavior of the network community profile when seeded everywhere in the graph, and at a significant reduction in total work.

연구 동기 및 목표

• 일반적인 네트워크 성질인 힘의 법칙 차수 분포와 높은 클러스터링이 정점 이웃가 자연스럽게 좋은 커뮤니티임을 의미하는지 조사하기 위해.
• 다양한 실세계 그래프에서 이웃 커뮤니티의 도달성(conductance)을 실증적으로 평가하기 위해.
• 국소적으로 최소인 이웃 커뮤니티가 개인화된 PageRank의 효율적인 시드로 기능하여 전체 네트워크 커뮤니티 프로파일을 복원할 수 있는지 판단하기 위해.
• 전체 스weep PageRank를 소규모 이웃 시드 집합으로 대체하여 커뮤니티 탐지의 계산 비용을 감소시키기 위해.

제안 방법

• 정점과 그 직접 이웃의 집합으로 이웃 커뮤니티를 정의하고, 품질 측도로 도달성을 계산한다.
• 모든 인접 정점의 이웃보다 도달성이 떨어지는 국소적으로 최소 이웃을 식별한다.
• 이러한 국소적으로 최소 이웃을 개인화된 PageRank 커뮤니티 탐지의 시드 집합으로 사용하며, 각각의 부피의 50배까지 확장한다.
• 결과로 얻은 커뮤니티 프로파일을 전체 스weep PageRank(모든 정점이 시드)와 다른 기준군(Fiedler 컷, 네트워크 휠러스, METIS, k-core 커뮤니티)과 비교한다.
• 다양한 실세계 네트워크(사회, 협업, 웹, 기술적 그래프)에서 도달성 행동을 분석한다.
• k-core를 대체 시드로 사용하고 동일하게 확장하여 큰 커뮤니티의 커버리지 여부를 평가한다.

실험 결과

연구 질문

• RQ1 첨도가 높은 차수 분포와 높은 클러스터링 계수를 가지는 네트워크에 이웃 커뮤니티가 낮은 도달성을 가지는가?
• RQ2 국소적으로 최소인 이웃 커뮤니티가 전체 네트워크 커뮤니티 프로파일을 복원하기 위해 개인화된 PageRank의 효과적인 시드로 기능할 수 있는가?
• RQ3 이웃 커뮤니티의 도달성은 Fiedler 컷, 네트워크 휠러스, METIS에서 발견된 커뮤니티와 비교해 어떻게 되는가?
• RQ4 이웃 시드를 사용할 경우 전체 스weep PageRank에 비해 어떤 계산적 이점이 있는가?
• RQ5 k-core를 성장시킨 커뮤니티는 네트워크 커뮤니티 프로파일의 대규모 행동을 포괄하는가?

주요 결과

• 평가된 네트워크의 1/3에서, 최고의 이웃 커뮤니티가 다른 방법들 중 어떤 것보다도 낮은 도달성을 가짐을 확인함.
• 국소적으로 최소인 이웃 커뮤니티(일반적으로 그래프의 약 3% 정점)는 네트워크 커뮤니티 프로파일의 국소 최소값을 포괄함.
• 국소적으로 최소인 이웃 시드에서 성장한 PageRank 커뮤니티의 도달성 프로파일은 전체 스weep PageRank의 프로파일과 거의 동일하며, 일부 국소 최소값(예: email-Enron)을 제외하고는 모두 일치함.
• k-core를 PageRank로 성장시키면 대규모 커뮤니티 영역을 포괄하지만, ca-AstroPh에서는 실패하여 일부 네트워크 유형에서는 한계가 있음.
• PageRank 시드 수를 수십만 개에서 단지 수천 개로 줄여 계산 비용을 크게 절감함.
• 이론적 기반은 높은 클러스터링과 힘의 법칙 차수 분포가 좋은 도달성 이웃를 암시하지만, 실용적 사용에 있어서는 한계가 있음.