[논문 리뷰] Tracing Community Genealogy: How New Communities Emerge from the Old

Chenhao Tan|arXiv (Cornell University)|2018. 04. 05.

Complex Network Analysis Techniques참고 문헌 39인용 수 10

한 줄 요약

이 논문은 레딧 데이터를 10년간 분석하여 초기 가입자의 이전 가입력 역사를 기반으로 새로운 온라인 커뮤니티의 유래를 추적하는 공동체 중심의 프레임워크를 제안한다. 이는 커뮤니티 기원—특히 강력한 부모 커뮤니티 연결과 다양한 멤버 포트폴리오—이 향후 성장에 크게 기여하며, 빠른 커뮤니티 증가 속에서도 핵심 그래프 성질이 빠르게 수렴함을 드러낸다.

ABSTRACT

The process by which new communities emerge is a central research issue in the social sciences. While a growing body of research analyzes the formation of a single community by examining social networks between individuals, we introduce a novel community-centered perspective. We highlight the fact that the context in which a new community emerges contains numerous existing communities. We reveal the emerging process of communities by tracing their early members' previous community memberships. Our testbed is Reddit, a website that consists of tens of thousands of user-created communities. We analyze a dataset that spans over a decade and includes the posting history of users on Reddit from its inception to April 2017. We first propose a computational framework for building genealogy graphs between communities. We present the first large-scale characterization of such genealogy graphs. Surprisingly, basic graph properties, such as the number of parents and max parent weight, converge quickly despite the fact that the number of communities increases rapidly over time. Furthermore, we investigate the connection between a community's origin and its future growth. Our results show that strong parent connections are associated with future community growth, confirming the importance of existing community structures in which a new community emerges. Finally, we turn to the individual level and examine the characteristics of early members. We find that a diverse portfolio across existing communities is the most important predictor for becoming an early member in a new community.

연구 동기 및 목표

• 초기 수용자들의 커뮤니티 가입력을 분석하여 새로운 온라인 커뮤니티가 어떻게 탄생하는지 이해하기.
• 공유된 초기 멤버를 바탕으로 커뮤니티 간 유전도 그래프를 구축하는 계산 기반 프레임워크 개발하기.
• 커뮤니티 기원이 향후 성장과 발전에 미치는 영향을 조사하기.
• 초기 멤버의 개인 수준 특성 중 커뮤니티 형성에서의 역할을 예측하는 요소를 특정하기.
• 유전도 그래프의 구조적 성질과 시간에 따른 수렴 현상을 탐구하기.

제안 방법

• 공유된 초기 멤버(첫 k명)를 기반으로 방향성 간선을 통해 부모 커뮤니티에서 새로운 커뮤니티로 연결하는 유전도 그래프를 구축하기.
• 간선의 가중치를 자식 커뮤니티의 초기 멤버 중 부모 커뮤니티 출신 비율로 정의하기.
• 사용자 게시 기록과 커뮤니티 가입력을 포함한 10년 이상의 대규모 데이터셋을 활용하기.
• 사용자 행동, 커뮤니티 다양성, 커뮤니티 간 상호작용을 바탕으로 유도된 특징을 사용해 초기 가입을 예측하는 기계학습 모델 적용하기.
• 유전도 그래프의 성질을 측정하여 수치적 부모 수, 최대 부모 가중치, 시간에 따른 수렴 정도 등을 특성화하기.
• 공통된 기원(부모 강도)과 향후 성장 지표(성장률 및 크기) 간의 관계를 분석하기 위해 회귀 분석 수행하기.

실험 결과

연구 질문

• RQ1 새로운 커뮤니티의 초기 멤버들이 기존 커뮤니티로 어떻게 연결되는가? 그 이전 가입력에서 드러나는 패턴은 무엇인가?
• RQ2 강력한 부모 커뮤니티가 새로운 커뮤니티의 향후 성장을 얼마나 잘 예측할 수 있는가?
• RQ3 초기 멤버의 개인 수준 특성 중 어떤 것이 새로운 커뮤니티 형성에 참여할 가능성을 가장 잘 예측하는가?
• RQ4 유전도 그래프의 기본 구조적 성질—예를 들어 부모 수 및 최대 부모 가중치—는 시간이 지남에 따라 어떻게 변화하는가?
• RQ5 사용자의 이전 커뮤니티 가입의 다양성이 새로운 커뮤니티 참여 가능성과 상관관계가 있는가?

주요 결과

• 레딧의 총 커뮤니티 수가 급격히 증가하는 상황에서도, 유전도 그래프에서의 부모 수와 최대 부모 가중치가 매우 빠르게 안정된 값으로 수렴함을 확인함.
• 특히 높은 가중치 간선을 통해 기존 커뮤니티와 연결된 강력한 부모 커뮤니티를 가진 커뮤니티는 훨씬 높은 향후 성장률을 보이며, 복잡한 전염 현상이 커뮤니티 확산에 기여함을 확인함.
• 이전 커뮤니티 가입의 다양성이 새로운 커뮤니티의 초기 멤버가 되는 데 가장 예측력 있는 개인 수준 특성임을 규명함. 부모 커뮤니티 활동 또는 언어 기반 특징보다 뛰어난 성능을 보임.
• 사용자가 여러 커뮤니티에서의 행동을 반영하는 상호작용 특징이 예측 성능을 주도함. k=100일 때 정확도 70.5%를 기록하며, 순수 상호작용 특징 모델을 略히 뛰어넘음.
• 부모 커뮤니티의 피드백 또는 언어 사용 기반 특징은 성능이 매우 열악하며, 기준 수준 이하에 머물러 있어 사용자 이력이 고려된 상황에서는 예측력이 미미함.
• 커뮤니티 엔트로피 계수는 예측 모델에서 가장 영향력 있는 특징로 확인됨. 이는 넓고 다양한 커뮤니티 참여를 한 사용자가 새로운 커뮤니티를 이끌 가능성이 가장 높다는 것을 시사함.