[논문 리뷰] Clustering function: a measure of social influence

Mindaugas Bloznelis, Valentas Kurauskas|arXiv (Cornell University)|2012. 07. 20.

Complex Network Analysis Techniques참고 문헌 28인용 수 5

한 줄 요약

이 논문은 두 정점이 공통으로 가진 정점 수 r에 조건부로 인접할 확률로 정의되는 클러스터링 함수라는 새로운 사회적 영향 측도를 제안한다. 실세계 네트워크(영화 배우 및 페이스북 유사 네트워크)와 무작위 교차 그래프 모델을 분석하여, 클러스터링 함수가 놀라운 규칙성을 보이며, 멱법칙 degree 분포와 사라지지 않는 클러스터링을 가지는 무작위 교차 그래프에서 클러스터링 함수의 1차 점근적 표현을 도출한다.

ABSTRACT

A commonly used characteristic of statistical dependence of adjacency relations in real networks, the clustering coefficient, evaluates chances that two neighbours of a given vertex are adjacent. An extension is obtained by considering conditional probabilities that two randomly chosen vertices are adjacent given that they have r common neighbours. We denote such probabilities cl(r) and call r-> cl(r) the clustering function. We compare clustering functions of several networks having non-negligible clustering coefficient. They show similar patterns and surprising regularity. We establish a first order asymptotic (as the number of vertices tends to infinity) of the clustering function of related random intersection graph models admitting nonvanishing clustering coefficient and asymptotic degree distribution having a finite second moment.

연구 동기 및 목표

• 클러스터링 함수를 사회적 영향 측도로 정의하고 공식화하는 것 — 공통 이웃 수 r이 주어졌을 때 두 정점이 인접할 조건부 확률로 정의된다.
• 실세계 네트워크(특히 영화 배우 및 대학 페이스북 유사 네트워크)에서의 경험적 클러스터링 함수를 분석하여 일관되고 규칙적인 패턴을 드러내는 것.
• 무작위 교차 그래프 모델에서 클러스터링 함수의 엄밀한 점근적 분석을 수립하는 것 — 이 모델은 멱법칙 degree 분포와 조절 가능한 클러스터링을 갖는 네트워크를 생성하는 것으로 알려져 있다.
• 최소한의 모멘트 조건 하에서 무작위 교차 그래프에서 클러스터링 함수의 1차 점근적 표현을 유도하는 것 — 이는 네트워크의 구조적 특성과 확률 모델의 파라미터를 연결한다.

제안 방법

• 클러스터링 함수 $ cl_{\cal G}(r) = \mathbb{P}(v_1^* \sim v_2^* \mid d(v_1^*, v_2^*) = r) $ 를 정의한다. 여기서 $ v_1^*, v_2^* $ 는 균일하게 무작위로 선택된 서로 다른 두 정점이다.
• 누적 클러스터링 함수 $ Cl_{\cal G}(r) = \mathbb{P}(v_1^* \sim v_2^* \mid d(v_1^*, v_2^*) \geq r) $ 를 정의하여, 최소 r개의 공통 이웃이 있을 경우의 영향을 캡처한다.
• 세 개의 영화 배우 네트워크(영국, 프랑스, 러시아)와 세 개의 대학 소셜 네트워크 데이터를 사용하여 경험적 클러스터링 함수를 분석하고 일관된 기능적 패턴을 관찰한다.
• 네트워크를 무작위 교차 그래프로 모델링한다: 각 정점은 무작위 속성 집합을 할당받으며, 집합이 교차할 경우 간선이 형성된다.
• 포함배제 원리와 모멘트 유계를 사용하여 점근적 확률 분석을 수행하여 $ \mathbb{P}(v_1^* \sim v_2^* \mid d(v_1^*, v_2^*) = r) $ 를 $ n \to \infty $ 의 극한에서 추정한다. 이는 최소한의 모멘트 조건 하에서 수행된다.
• 지표 함수와 절단(예: $ \mathcal{A}^* = \{A_3 < n^{1/4}\} $) 을 사용하여 尾확률를 제어하고, $ \mathbb{P}({\cal D}) $ — 정확히 r개의 공통 이웃을 가지며 상호로 인접한 삼중조의 확률 — 에 대한 날카운 bounds 를 유도한다.

실험 결과

연구 질문

• RQ1 실세계 네트워크에서 두 정점 간의 연결 확률은 그들의 공통 이웃 수에 따라 어떻게 달라지는가?
• RQ2 영화 배우 및 대학 페이스북 유사 네트워크와 같은 실세계 네트워크는 클러스터링 함수에서 일관되고 예측 가능한 패턴을 보이는가?
• RQ3 무작위 교차 그래프 모델에서 클러스터링 함수의 점근적 행동은 정점 수 $ n \to \infty $ 일 때 어떻게 되는가?
• RQ4 비영속적인 클러스터링과 유한한 두 번째 모멘트 degree 분포를 가지는 무작위 교차 그래프에서 클러스터링 함수의 1차 점근적 표현을 도출할 수 있는가?
• RQ5 무작위 교차 그래프 모델의 파라미터(예: 속성 확률, degree 모멘트)는 클러스터링 함수에 어떻게 영향을 미치는가?

주요 결과

• 영화 배우 및 대학 네트워크의 경험적 클러스터링 함수는 네트워크 크기와 클러스터링 계수에 관계없이 일관되고 규칙적인 패턴을 보였다.
• 클러스터링 함수 $ cl(r) $ 는 $ r $ 이 증가함에 따라 감소하며, 이는 더 많은 공통 이웃을 가진 정점 간의 인접 조건부 확률이 감소함을 의미한다. 이는 임계값을 초과하면 사회적 영향력이 감소함을 시사한다.
• 무작위 교차 그래프에서 점근적 클러스터링 함수 $ cl(r) $ 는 모델 파라미터 $ a_1, a_2, b_2, b_3 $ 를 포함하는 1차 표현으로 수렴함을 보였다. $ \mathbb{P}({\cal D}) = \varkappa_1 + \varkappa_2 + o(n^{-2}) $ 이며, 여기서 $ \varkappa_1, \varkappa_2 $ 는 모멘트로부터 유도된다.
• 점근적 분석은 무작위 교차 그래프가 멱법칙 degree 분포와 비영속적인 클러스터링을 갖는 네트워크를 생성할 수 있음을 확인하였으며, 실세계 관측 결과와 일치한다.
• 유도된 점근적 표현은 최소한의 모멘트 조건 하에서 유효하여, 다양한 유형의 무작위 교차 그래프 모델에 대한 강건성과 적용 가능성을 보장한다.
• 정확히 r개의 공통 이웃을 가지며 상호로 인접한 삼중조의 확률은 점근적으로 $ \varkappa_1 + \varkappa_2 + o(n^{-2}) $ 로 수렴하며, $ \varkappa_1 \sim a_1^3 b_3 (nm)^{-3/2} $ 이다. 이는 모델 파라미터와 클러스터링 행동 간의 정밀한 정량적 연결을 제공한다.