[논문 리뷰] Predicting Small Group Accretion in Social Networks: A topology based incremental approach

Ankit Sharma, Xiaodong Feng외 3명|arXiv (Cornell University)|2015. 07. 12.

Complex Network Analysis Techniques참고 문헌 25인용 수 4

한 줄 요약

이 논문은 사회 네트워크에서 소규모 그룹의 축적을 예측하기 위해 위상 기반의 점진적 접근을 제안하며, 두 가지 핵심 메커니즘인 점진적 축적(Incremental Accretion, IA)과 하위그룹 축적(Subgroup Accretion, SA)에 중점을 둔다. 하이퍼그래프 구조와 그룹-행위자 네트워크에서의 랜덤 워크를 사용하여 카츠 기반, 네트워크 정렬 기반, 레이블 전파 기반의 세 가지 모델을 도입하여, 그룹별 예측에서 최대 0.605에 이르는 높은 재현율을 달성하였으며, 변화하는 사회 네트워크에서의 고차원 연결 예측에 있어 뛰어난 성능을 입증한다.

ABSTRACT

Small Group evolution has been of central importance in social sciences and also in the industry for understanding dynamics of team formation. While most of research works studying groups deal at a macro level with evolution of arbitrary size communities, in this paper we restrict ourselves to studying evolution of small group (size $\leq20$) which is governed by contrasting sociological phenomenon. Given a previous history of group collaboration between a set of actors, we address the problem of predicting likely future group collaborations. Unfortunately, predicting groups requires choosing from $n \choose r$ possibilities (where $r$ is group size and $n$ is total number of actors), which becomes computationally intractable as group size increases. However, our statistical analysis of a real world dataset has shown that two processes: an external actor joining an existing group (incremental accretion (IA)) or collaborating with a subset of actors of an exiting group (subgroup accretion (SA)), are largely responsible for future group formation. This helps to drastically reduce the $n\choose r$ possibilities. We therefore, model the attachment of a group for different actors outside this group. In this paper, we have built three topology based prediction models to study these phenomena. The performance of these models is evaluated using extensive experiments over DBLP dataset. Our prediction results shows that the proposed models are significantly useful for future group predictions both for IA and SA.

연구 동기 및 목표

• 소규모 협업 그룹(크기 ≤ 20)의 미래 예측 문제를 다루며, 이는 일반적으로 대규모 공동체의 진화에 비해 간과되는 경향이 있다.
• 그룹의 진화를 거시 수준의 공동체 이동으로 보는 것이 아니라, 행위자 추가 또는 하위그룹 통합에 의해 이끄는 점진적 과정으로 모델링한다.
• n\choose r의 비가역적 조합 폭발 문제를 줄이기 위해, 점진적 축적(IA)과 하위그룹 축적(SA)이라는 두 가지 주요 메커니즘에 집중함으로써 해결한다.
• 사회 네트워크 이론과 이원 연결 예측 원칙에 기반한 위상 기반 예측 모델을 개발하며, 이를 고차원 그룹 구조에 적응시킨다.
• DBLP 데이터셋에서 그룹별 및 전반적 메트릭을 사용하여 모델 성능을 평가하며, 희박한 양성 사례의 특성상 재현율을 강조한다.

제안 방법

• 사이클이 그룹 네트워크와 외부 행위자 네트워크를 번갈아가며 발생하는 방식으로 하이퍼그래프에 대해 카츠 중심성 방법을 확장하여, 상호 그룹 간 소통 패턴을 캡처한다.
• 사이클 기반 유사도 점수를 사용하여 그룹과 외부 행위자 간의 유사도를 측정하는 네트워크 정렬 기반의 지도 학습 방법을 제안하여 축적 가능성 예측에 활용한다.
• 그룹 클리크와 외부 노드를 번갈아가며 이동하는 이중 랜덤 워크를 사용하는 레이블 전파 기반 방법을 도입한다.
• 그룹 네트워크 단계와 외부 네트워크 단계를 번갈아가며 진행하는 순차적 이중 랜덤 워크 알고리즘(BiRW_seq)을 사용하며, 감쇠 파라미터 $\alpha$와 최대 경로 길이 $l_g = l_o = 4$를 설정한다.
• 영향력 점수를 반복적 행렬 곱셈을 통해 계산하기 위해 그룹 네트워크 인접 행렬 $\mathbf{N_g}$, 상호 네트워크 행렬 $\mathbf{I}$, 외부 네트워크 행렬 $\mathbf{N_o}$를 사용한다.
• 이러한 모델을 활용하여 기존 그룹에 대한 외부 행위자들의 예측된 연결 가능성에 따라 순위를 매김으로써 향후 그룹 형성을 예측한다.

실험 결과

연구 질문

• RQ1 사회 네트워크에서 미래의 소규모 그룹 형성에 영향을 주는 주요 메커니즘은 무엇인가?
• RQ2 특정 축적 패턴에 집중함으로써 가능한 그룹 형성의 조합 폭발 문제를 어떻게 줄일 수 있는가?
• RQ3 이원 연결 예측을 고차원 구조로 확장한 위상 기반 모델이 점진적 축적과 하위그룹 축적을 효과적으로 예측할 수 있는가?
• RQ4 카츠 스타일, 네트워크 정렬, 레이블 전파 기반의 다양한 모델링 접근 방식은 미래의 그룹 구성원 예측에서 어떻게 비교되는가?
• RQ5 소규모 그룹 예측에서 그룹별 평가 메트릭과 전반적 평가 메트릭 간의 성능 트레이드오���은 무엇인가?

주요 결과

• 제안된 모델은 그룹별 예측에서 점진적 축적(IA)의 평균 재현율이 0.605, 하위그룹 축적(SA)의 평균 재현율이 0.5135로, 실제 향후 그룹의 상당 부분을 커버함을 시사하며 뛰어난 성능을 보였다.
• 레이블 전파 기반 방법(BRWS)은 IA의 평균 정밀도(0.0355)와 재현율(0.6050)이 가장 높았으며, 카츠 스타일(GKS) 및 글로벌 레이블 전파(GLPS) 모델을 모두 압도했다.
• 전반적 메트릭에서 BRWS 모델은 IA에 대해 정밀도 0.0134, 재현율 0.0962를 기록하였고, SA에 대해서는 정밀도 0.0327, 재현율 0.0614를 기록하여, 높은 희박성에도 불구하고 성능 향상을 보였다.
• 최대 0.605에 이르는 높은 재현율은 정밀도가 낮더라도 수많은 후보 그룹이 존재하는 상황에서도 모델이 실제 향후 그룹 형성의 상당 부분을 효과적으로 포착하고 있음을 시사한다.
• 통계 분석을 통해 IA와 SA가 미래 그룹 형성의 대부분을 차지함을 확인하였으며, 이는 이러한 두 메커니즘에 집중함으로써 $n \choose r$의 탐색 공간을 다룰 수 있는 하위집합으로 줄일 수 있음을 정당화한다.
• 결과적으로 하이퍼그래프 구조와 이중 랜덤 워크를 활용한 위상 기반 모델이 변화하는 사회 네트워크에서 고차원 연결 예측에 효과적임을 입증하였다.