[논문 리뷰] Community Evolution of Social Network: Feature, Algorithm and Model

Yi Wang, Bin Wu외 1명|ArXiv.org|2008. 04. 28.

Complex Network Analysis Techniques참고 문헌 18인용 수 32

한 줄 요약

이 논문은 시간 스타일러에 따라 커뮤니티의 진화를 추적하기 위해 핵심 노드를 활용하는 파rameter-free, 코어 기반 알고리즘인 CommTracker를 제안한다. 이 알고리즘은 두 가지 핵심 동적 특성인 커뮤니티 수명 연장(성장, GROWTH)과 구성원의 불안정성(대사, METABOLISM)을 식별하고, 이러한 현상을 재현할 수 있는 개선된 사회적 네트워크 모델을 도입함으로써 정적 위상 구조를 초월한 동적 특성을 통해 사회적 네트워크와 비사회적 네트워크를 명확히 구별할 수 있도록 한다.

ABSTRACT

Researchers have devoted themselves to exploring static features of social networks and further discovered many representative characteristics, such as power law in the degree distribution and assortative value used to differentiate social networks from nonsocial ones. However, people are not satisfied with these achievements and more and more attention has been paid on how to uncover those dynamic characteristics of social networks, especially how to track community evolution effectively. With these interests, in the paper we firstly display some basic but dynamic features of social networks. Then on its basis, we propose a novel core-based algorithm of tracking community evolution, CommTracker, which depends on core nodes to establish the evolving relationships among communities at different snapshots. With the algorithm, we discover two unique phenomena in social networks and further propose two representative coefficients: GROWTH and METABOLISM by which we are also able to distinguish social networks from nonsocial ones from the dynamic aspect. At last, we have developed a social network model which has the capabilities of exhibiting two necessary features above.

연구 동기 및 목표

• 정적 특성(예: 힘의 법칙에 따르는 차수 분포와 정렬성)을 초월한 사회적 네트워크의 동적 특성을 밝혀내는 것.
• 분열 및 융합 사건을 포함한 커뮤니티 진화를 추적하기 위한 파rameter-free 알고리즘 개발.
• 비사회적 네트워크와의 차이를 보여주는 유일한 동적 현상들을 식별하고 정량화하는 것.
• 발견된 동적 특성을 나타낼 수 있는 개선된 사회적 네트워크 모델 제안

제안 방법

• CommTracker는 노드 안정성에 의존하지 않고 시간 스타일러 간의 진화하는 커뮤니티 관계를 핵심 노드를 통해 수립한다.
• 핵심 노드는 차수와 지속성에 기반하여 식별되며, 시간 간격 동안 커뮤니티 추적의 기반을 형성한다.
• 알고리즘은 핵심 노드의 전이와 연결성 변화를 분석하여 커뮤니티 분열 및 융합을 탐지한다.
• 동적 네트워크 행동을 정량화하기 위해 두 가지 계수인 GROWTH(커뮤니티 수명)와 METABOLISM(구성원 전환율)를 정의한다.
• 모델는 Emily의 모델을 개선하여 차수에 따라 삭제 확률이 결정되는 동적 노드 추가 및 삭제 규칙을 추가한다.
• 모델는 다섯 단계로 구성된다: 초깃연결 형성, 삼중 클로징, 간선 삭제, 차수 기반 정점 삭제, 고차수 이웃에 선호도를 두어 새로운 정점 삽입

실험 결과

연구 질문

• RQ1 불안정한 노드에 의존하지 않고 시간에 따라 커뮤니티 진화를 효과적으로 추적할 수 있는가?
• RQ2 정적 위상적 성질을 초월해 사회적 네트워크를 비사회적 네트워크와 구별하는 고유한 동적 특성은 무엇인가?
• RQ3 GROWTH와 METABOLISM로 구성된 동적 계수 체계를 정의하여 사회적 네트워크와 비사회적 네트워크를 정량적으로 구별할 수 있는가?
• RQ4 노드 전환과 커뮤니티 진화를 현실적으로 반영할 수 있도록 사회적 네트워크 모델을 어떻게 개선할 수 있는가?

주요 결과

• 사회적 네트워크의 약 80%의 노드가 한두 개의 시간 스타일러에만 존재하여 높은 노드 불안정성을 보인다.
• 높은 차수를 가진 노드가 시간 스타일러 간에 훨씬 더 지속되며, 핵심 노드의 안정성이 높다는 것을 시사한다.
• 더 큰 커뮤니티는 더 긴 수명을 가지며, 이는 GROWTH 계수로 정량화된다.
• 수명이 긴 커뮤니티는 높은 구성원 전환율을 보이며, 이는 METABOLISM 계수로 캡처된다.
• 제안된 모델은 11개 데이터셋(6개의 사회적 네트워크와 5개의 비사회적 네트워크 포함)에서 GROWTH와 METABOLISM 현상을 성공적으로 재현한다.
• CommTracker 알고리즘은 파rameter 조정 없이도 커뮤니티 분열 및 융합을 효과적으로 탐지한다.