[논문 리뷰] When Engagement Meets Similarity: Efficient (k,r)-Core Computation on Social Networks

Fan Zhang, Ying Zhang외 3명|arXiv (Cornell University)|2016. 11. 10.

Complex Network Analysis Techniques참고 문헌 30인용 수 11

한 줄 요약

이 논문은 사회적 네트워크에서 구조적 연결성(k-core)과 속성 유사성(임계값 r)을 조합하여 코hesive 서브그래프를 식별하기 위해 (k,r)-코어 모델을 제안한다. 새로운 절단 기법과 탐색 순서를 활용한 효율적인 알고리즘을 제안하며, 실제 데이터셋에서 뚜렷한 성능 향상을 보이며, 최대 코어 계산과 최대 열거 모두가 NP-난이도임을 증명한다.

ABSTRACT

In this paper, we investigate the problem of (k,r)-core which intends to find cohesive subgraphs on social networks considering both user engagement and similarity perspectives. In particular, we adopt the popular concept of k-core to guarantee the engagement of the users (vertices) in a group (subgraph) where each vertex in a (k,r)-core connects to at least k other vertices. Meanwhile, we also consider the pairwise similarity between users based on their profiles. For a given similarity metric and a similarity threshold r, the similarity between any two vertices in a (k,r)-core is ensured not less than r. Efficient algorithms are proposed to enumerate all maximal (k,r)-cores and find the maximum (k,r)-core, where both problems are shown to be NP-hard. Effective pruning techniques significantly reduce the search space of two algorithms and a novel (k,k')-core based (k,r)-core size upper bound enhances performance of the maximum (k,r)-core computation. We also devise effective search orders to accommodate the different nature of two mining algorithms. Comprehensive experiments on real-life data demonstrate that the maximal/maximum (k,r)-cores enable us to find interesting cohesive subgraphs, and performance of two mining algorithms is significantly improved by proposed techniques.

연구 동기 및 목표

• 사용자 참여(구조적 연결성, k-core 기반)와 사용자 속성 유사성(유사도 임계값 r 기반)을 동시에 보장하는 코hesive 서브그래프가 필요함을 해결하기 위해.
• 더 큰 (k,r)-코어에 포함되지 않는 최대 (k,r)-코어—즉, 최대 부분그래프—를 속성 부여된 사회적 네트워크에서 식별하기 위해.
• 정점 수 기준으로 가장 큰 (k,r)-코어를 정의하는 최대 (k,r)-코어를 계산하기 위해.
• 이러한 NP-난이도 문제를 위한 효율적 알고리즘 개발을 위해, 절단 기법과 상한 추정 기법을 활용하기 위해.
• 실세계 네트워크에서 의미 있고 안정적인 커뮤니티를 발견하는 데 (k,r)-코어 모델의 효과성을 평가하기 위해.

제안 방법

• 각 정점이 부분그래프 내에서 최소 k개의 이웃을 가져야 하며(구조적 제약), 정점 간 쌍별 유사도가 r 이상이어야 하는 (k,r)-코어 모델을 제안한다(유사도 제약).
• 두 단계 알고리즘을 적용: 첫 번째로, 정점의 차수와 유사도에 기반한 후보 생성 및 절단 전략을 통해 (k,r)-코어를 계산한다.
• 최대 (k,r)-코어의 가능한 크기를 추정하기 위해 새로운 (k,k′)-코어 기반 상한을 도입하여, 탐색 공간에서 조기 절단을 가능하게 한다.
• 열거 및 최대 코어 계산 작업의 고유한 특성에 맞게 최적화된 탐색 순서를 적용한다.
• 네 가지 절단 기법을 사용: 후보 크기 감소, 조기 종료, 최대 부분그래프 확인, 상한 기반 절단.
• 유사도가 r 이상인 간선을 갖는 유사도 그래프를 활용하며, 이 그래프에서 구조적 제약 조건 하에 클리크를 계산한다.

실험 결과

연구 질문

• RQ1 구조적 연결성과 속성 유사성을 균형 있게 고려하는 사회적 네트워크에서 코hesive 서브그래프를 효율적으로 탐색하는 방법은 무엇인가?
• RQ2 모든 최대 (k,r)-코어를 열거하고 최대 (k,r)-코어를 찾는 데 있어 알고리즘적 과제는 무엇인가?
• RQ3 절단 및 상한 추정 기법은 (k,r)-코어 계산의 확장성에 어떻게 기여하는가?
• RQ4 열거와 최대 (k,r)-코어 계산에 최적화된 탐색 순서 전략은 무엇인가?
• RQ5 실세계 네트워크에서 제안된 기법들이 기준 대비 얼마나 효율성이 향상되는가?

주요 결과

• 구조와 유사성의 동시 제약로 인해, 모든 최대 (k,r)-코어를 열거하고 최대 (k,r)-코어를 찾는 문제는 NP-난이도임을 증명하였다.
• 제안된 절단 기법은 탐색 공간을 크게 줄이며, (k,k′)-코어 기반 상한은 최대 (k,r)-코어 계산에서 성능 향상에 기여한다.
• 고도의 탐색 순서와 절단 전략은 Gowalla, DBLP 등 다양한 데이터셋에서의 실험을 통해 뚜렷한 성능 향상을 이끌어냈다.
• k 값이 높을수록(구조 제약에 의한 더 많은 절단) 성능 향상이 발생하고, r 값이 낮을수록(유사도 제약을 만족하는 정점 수가 더 많아져) 성능 저하가 발생한다.
• 상한과 탐색 순서를 활용하는 AdvMax 알고리즘은 특히 불필요한 탐색을 줄임으로써 AdvEnum보다 뚜렷한 성능 우월성을 보였다.
• (k,r)-코어 모델은 참여도와 유사도가 모두 높은 연구 협업 그룹과 같은 의미 있고 안정적인 커뮤니티를 성공적으로 식별하였다.