[논문 리뷰] Predicting Influential Users in Online Social Networks

Rumi Ghosh, Kristina Lerman|arXiv (Cornell University)|2010. 05. 26.

Complex Network Analysis Techniques참고 문헌 34인용 수 86

한 줄 요약

이 논문은 영향력 모델이 예측하고자 하는 동적 과정과 일치해야 한다고 제안하며, 비보존적 과정을 따르는 Digg라는 소셜 뉴스 네트워크에서 비보존적 모델인 정규화된 α-중심성은 보존적 모델보다 영향력 있는 사용자를 더 잘 예측함을 보여준다. 실증 검증 결과, 정규화된 α-중심성은 재확인률(recall) 0.76을 기록하여 PageRank(0.29)와 진입 중심성(in-degree centrality)(0.60)를 크게 앞서나간다.

ABSTRACT

Who are the influential people in an online social network? The answer to this question depends not only on the structure of the network, but also on details of the dynamic processes occurring on it. We classify these processes as conservative and non-conservative. A random walk on a network is an example of a conservative dynamic process, while information spread is non-conservative. The influence models used to rank network nodes can be similarly classified, depending on the dynamic process they implicitly emulate. We claim that in order to correctly rank network nodes, the influence model has to match the details of the dynamic process. We study a real-world network on the social news aggregator Digg, which allows users to post and vote for news stories. We empirically define influence as the number of in-network votes a user's post generates. This influence measure, and the resulting ranking, arises entirely from the dynamics of voting on Digg, which represents non-conservative information flow. We then compare predictions of different influence models with this empirical estimate of influence. The results show that non-conservative models are better able to predict influential users on Digg. We find that normalized alpha-centrality metric turns out to be one of the best predictors of influence. We also present a simple algorithm for computing this metric and the associated mathematical formulation and analytical proofs.

연구 동기 및 목표

• 온라인 소셜 네트워크에서 영향력 있는 사용자를 예측하는 데 가장 정확한 영향력 모델을 특정하는 것.
• 네트워크 흐름에서 보존적 및 비보존적 동적 과정을 구분하는 것.
• Digg에서 실제 사용자 행동을 기반으로 유도된 실증적 영향력 측정치를 사용해 영향력 모델을 평가하는 것.
• 모델 선택이 네트워크의 기본 동적 과정과 일치시켜야 한다는 것을 입증하는 것.
• 정규화된 α-중심성을 계산하기 위한 단순한 알고리즘과 분석적 증명을 제공하는 것.

제안 방법

• 질량 보존 여부에 따라 동적 과정을 보존적(예: 랜덤 워크) 또는 비보존적(예: 정보 확산)으로 분류하는 것.
• 실제 사용자 투표 행동에서 유도된 Digg에서 사용자 게시물이 받는 네트워크 내 투표 수를 실증적 영향력으로 정의하는 것.
• 예측 순위와 실증적 영향력 순위 간 상관관계를 분석하여 12개의 영향력 모델을 평가하는 것.
• 단순한 알고리즘과 분석적 유도를 제공하는 비보존적 모델로 정규화된 α-중심성을 사용하는 것.
• 상관계수와 재확인률(recall) 지표를 계산하여 모델 성능을 비교하며, 재확인률은 상위 영향력 있는 사용자를 얼마나 잘 예측하는지를 측정한다.
• 69,524명의 사용자에 대해 모델을 적용하며, 실증적으로 영향력이 측정된 상위 100명의 제출자에 집중한다.

실험 결과

연구 질문

• RQ1 정보가 비보존적으로 확산되는 온라인 소셜 네트워크에서 영향력 있는 사용자를 예측하는 데 가장 적합한 영향력 모델은 무엇인가?
• RQ2 Digg에서 실제 영향력을 예측할 때 보존적 영향력 모델(예: PageRank, 베타 중심성)과 비보존적 모델(예: α-중심성)의 성능는 어떻게 비교되는가?
• RQ3 정규화된 α-중심성은 Digg 네트워크에서 실증적으로 관측된 영향력과 어느 정도 상관관계가 있는가?
• RQ4 정보 확산과 같은 비보존적 역학을 따르는 네트워크에서 비보존적 모델이 보존적 모델보다 성능이 뛰어나게 되는 이유는 무엇인가?
• RQ5 정규화된 α-중심성에 대한 단순하고 분석적으로 기반을 둔 알고리즘이 실제 소셜 네트워크에서 영향력 있는 사용자를 효과적으로 예측할 수 있는가?

주요 결과

• 정규화된 α-중심성은 Digg에서 실증적 영향력 측정치와 상관계수 0.92를 기록하여 다른 모델보다 뚜렷이 뛰어나다.
• 정규화된 α-중심성의 재확인률(recall)은 0.76이며, 이는 상위 100명의 실증적 영향력 있는 사용자 중 76%가 모델에 의해 상위 100명 내로 정확히 예측되었음을 의미한다.
• 진입 중심성은 재확인률 0.60을 기록하였고, PageRank와 베타 중심성은 각각 0.29와 0.21을 기록하였다.
• 근접 중심성(closeness centrality)과 그래프 중심성(graph centrality)은 상관계수 0.116와 0.097로 낮아 예측 능력이 떨어진다.
• SenderRank는 중간 정도의 상관계수 0.407을 기록하였지만 여전히 정규화된 α-중심성에 뒤지지 않는다.
• 이 연구는 정보 확산과 같은 비보존적 역학을 따르는 네트워크에서는 비보존적 모델이 더 적합하다는 것을 확인한다.