[논문 리뷰] Stochastic Block Model Reveals the Map of Citation Patterns and Their Evolution in Time

Darko Hric, Kimmo Kaski외 1명|arXiv (Cornell University)|2017. 04. 28.

Scientific Computing and Data Management인용 수 5

한 줄 요약

이 논문은 과학 저널 간 인용 네트워크의 대규모 구조와 시간적 변화를 맵핑하기 위해 확률적 블록 모델(SBM)을 제안한다. 이 모델은 보조 유사도 측정값에 의존하지 않고 군집, 다리, 원천, 수용체를 드러낸다. 이 방법은 인용 패턴에 기반해 저널의 계층적 군집을 식별하며, 수작업으로 분류된 저널의 분야 분류가 SBM의 블록과 상관이 있음을 보여주며, 이러한 관계는 시간이 지남에 따라 변화한다.

ABSTRACT

In this study we map out the large-scale structure of citation networks of science journals and follow their evolution in time by using stochastic block models (SBMs). The SBM fitting procedures are principled methods that can be used to find hierarchical grouping of journals into blocks that show similar incoming and outgoing citations patterns. These methods work directly on the citation network without the need to construct auxiliary networks based on similarity of nodes. We fit the SBMs to the networks of journals we have constructed from the data set of around 630 million citations and find a variety of different types of blocks, such as clusters, bridges, sources, and sinks. In addition we use a recent generalization of SBMs to determine how much a manually curated classification of journals into subfields of science is related to the block structure of the journal network and how this relationship changes in time. The SBM method tries to find a network of blocks that is the best high-level representation of the network of journals, and we illustrate how these block networks (at various levels of resolution) can be used as maps of science.

연구 동기 및 목표

• 원칙적인 네트워크 모델링을 통해 과학 저널 간 인용 네트워크의 대규모 구조를 맵핑하기 위해.
• 수십 년에 걸친 인용 네트워크에서 이러한 구조적 패턴의 시간적 변화를 추적하기 위해.
• 수작업으로 정제된 저널의 분야 하위 분류와 SBM가 드러낸 블록 구조 간의 일치도를 평가하기 위해.
• SBM에서 유도된 블록 네트워크를 활용해 과학의 계층적 고위도 표현, 즉 '과학의 지ap'을 개발하기 위해.
• SBM 기반의 네트워크 추상화를 사용해 저널 주제 분류가 인용 흐름을 얼마나 잘 예측하는지 정량화하기 위해.

제안 방법

• 유사도 기반 보조 네트워크를 구성하지 않고, 직접적으로 저널의 인용 네트워크에 확률적 블록 모델(SBM)을 적용한다.
• SBM 피팅을 통해 유사한 들어오는 및 나가는 인용 패턴을 가진 저널 블록(군집, 다리, 원천, 수용체 포함)을 식별한다.
• 일반화된 SBM을 활용해 다중 해상도 수준에서의 계층적 군집을 분석함으로써 다중 척도의 네트워크 추상화를 가능하게 한다.
• 정규화된 내부, 들어오는, 나가는 흐름을 사용해 블록 간 인용 흐름을 모델링하며, 블록 간 연결을 고려한 공식을 사용한다.
• 블록 구조와 분류 예측력의 시간적 추세를 부드럽게 하기 위해 10년 이동 평균을 적용한다.
• SBM 프레임워크를 사용해 분야 및 하위 분야의 예측력 지표(예: μ)를 계산하여, 분류가 인용 행동과 얼마나 잘 일치하는지 평가한다.

실험 결과

연구 질문

• RQ1 확률적 블록 모델은 과학 저널 간 인용 네트워크의 대규모 구조적 조직을 어떻게 드러낼 수 있는가?
• RQ2 인용 네트워크에서 저널의 역할(예: 원천, 수용체, 다리)은 시간이 지남에 따라 어떻게 변화하는가?
• RQ3 수작업으로 정제된 저널의 하위 분야 분류가 SBM가 식별한 블록 구조와 어느 정도 일치하는가?
• RQ4 저널 분류와 인용 패턴 간의 관계는 시간이 지남에 따라 어떻게 변화하는가?
• RQ5 SBM에서 유도된 블록 네트워크는 다양한 해상도 수준에서 과학의 신뢰할 수 있는 계층적 지도로 기능할 수 있는가?

주요 결과

• SBM는 군집(내부 인용이 높음), 다리(군집을 연결함), 원천(나가는 인용이 높음), 수용체(들어오는 인용이 높음)를 포함해 인용 네트워크에서 명확한 구조적 역할을 식별한다.
• 이 방법은 시간이 지남에 따라 변화하는 계층적 블록 구조를 드러내며, 블록의 주목도와 연결성에 대한 역동적 변화를 보여준다.
• 수작업으로 분류된 저널의 하위 분야 분류와 SBM 블록 간 중간 정도의 일치가 나타나며, 예측력(μ) 값은 하위 분야가 분야보다 약간 더 나은 예측자임을 시사한다.
• 최소한 하나의 하위 분야에 분류된 저널의 비율은 약 1970년경에 낮은 점수에 도달하여, 초기 연도에는 분류가 불완전하거나 일관되지 않았음을 시사한다.
• 블록 구조의 시간적 변화는 분류와 인용 패턴 간의 관계가 정적인 것이 아니며, 후반기에는 점점 더 잘 일치하는 경향을 보임을 보여준다.
• 정규화된 흐름 공식(Eq. 6–8)은 계층적 병합을 통해 블록 성질을 정확히 전파하며, 다양한 해상도 수준에서 구조적 무결성을 유지한다.