[论文解读] Connections between Human Dynamics and Network Science

Chaoming Song, Dashun Wang+1 more|arXiv (Cornell University)|Sep 6, 2012

Complex Network Analysis Techniques参考文献 3被引用 11

一句话总结

本文通过推导人类行为的时间活动模式（如突发性与活跃度）与网络结构属性（如度分布和链接权重分布）之间的解析关联，建立了人类动力学与网络科学之间的普适标度关系。研究证明，社交网络中幂律分布的指数（如度分布和权重分布）可从人类行为的动力学指数（如事件间时间间隔与活跃度）预测得出，并在包括移动通话、电子邮件、Twitter 和在线消息在内的四个大规模数据集中得到验证。

ABSTRACT

The increasing availability of large-scale data on human behavior has catalyzed simultaneous advances in network theory, capturing the scaling properties of the interactions between a large number of individuals, and human dynamics, quantifying the temporal characteristics of human activity patterns. These two areas remain disjoint, each pursuing as separate lines of inquiry. Here we report a series of generic relationships between the quantities characterizing these two areas by demonstrating that the degree and link weight distributions in social networks can be expressed in terms of the dynamical exponents characterizing human activity patterns. We test the validity of these theoretical predictions on datasets capturing various facets of human interactions, from mobile calls to tweets.

研究动机与目标

• 弥合网络科学与人类动力学之间的鸿沟，尽管这两个领域在研究相同系统时独立发展。
• 识别人类活动时间动态与社交网络结构属性之间通用的、与系统无关的关系。
• 检验网络结构的标度指数（度分布与权重分布）是否可从个体行为的动力学指数（事件间时间间隔与活跃度）预测得出。
• 在涵盖移动通信、电子邮件、社交媒体和在线消息的多样化真实世界数据集中验证这些理论关系。
• 提供一个基础框架，未来的人类交互模型必须满足该框架，无论其底层机制或系统特异性细节如何。

提出的方法

• 推导度分布 $ P_k(k) $ 与事件间时间间隔分布 $ P_{\tau}(\tau) $ 之间的理论标度关系，表明 $ \gamma_k = 2 - \overline{\beta}_\tau $，其中 $ \overline{\beta}_\tau $ 为事件间时间间隔分布的指数。
• 建立权重分布 $ P_w(w) $ 与活跃度分布 $ P_C(C) $ 之间的联系，利用个体层面权重的齐普夫型标度关系，得出 $ \gamma_w = 2 - \overline{\beta}_\tau $。
• 使用群体平均模型，将总体权重分布 $ P_w(w) $ 表达为对个体层面分布的积分，整合活跃度 $ C $、突发性参数 $ \alpha $ 和归一化因子 $ A(C,\alpha) $。
• 使用四个大规模数据集验证理论预测：移动电话通话、大学电子邮件通信、Twitter 和瑞典约会网站的在线消息。
• 对经验数据中的度、权重、事件间时间间隔和活跃度分布进行幂律拟合，以提取标度指数，并检验其与理论预测的一致性。
• 利用恒等式 $ \alpha_i \zeta_i = 1 $，其中 $ \zeta_i $ 为个体权重分布的指数，推导群体层面的权重分布，并确认其幂律形式的指数为 $ \gamma_w = 2 - \overline{\beta}_\tau $。

实验结果

研究问题

• RQ1 社交网络中度分布的标度指数是否可从个体人类活动模式的突发性预测得出？
• RQ2 在多种通信系统中，链接权重分布的指数与事件间时间间隔分布之间是否存在普适关系？
• RQ3 社交网络的结构属性（度分布与权重分布）在多大程度上源于个体行为的时间动态？
• RQ4 本文推导出的理论关系是否在包括移动通话、电子邮件和社交媒体在内的不同类型数字通信中均成立？
• RQ5 现实世界数据中观察到的标度指数是否可由一个根植于人类动力学的单一理论框架一致解释？

主要发现

• 度分布指数 $ \gamma_k $ 的预测公式为 $ \gamma_k = 2 - \overline{\beta}_\tau $，该关系在所有四个数据集中均成立，其中 $ \overline{\beta}_\tau $ 由事件间时间间隔分布 $ P_{\tau}(\tau) \sim \tau^{-(1+\overline{\beta}_\tau)} $ 测得。
• 权重分布指数 $ \gamma_w $ 的预测公式为 $ \gamma_w = 2 - \overline{\beta}_\tau $，移动电话、电子邮件、Twitter 和在线消息的实证数据均以高精度证实了该标度关系。
• 对于移动电话数据，$ \gamma_k $ 在一年内从 4.19 降至 3.20，而 $ \overline{\beta}_\tau $ 保持在约 0.538 的恒定值，与理论预测一致。
• 由个体活动模式推导出的平均突发性参数 $ \overline{\alpha} $ 与 $ \overline{\beta}_\tau $ 呈强相关，其值在移动通信中为 0.58，在 Twitter 中为 0.78，所有值均与预测的 $ \gamma_w = 2 - \overline{\beta}_\tau $ 一致。
• 活跃度分布 $ P_C(C) $ 呈幂律分布，指数为 $ \beta_C $，且平均 $ \overline{\alpha} $ 在各数据集中与观测到的 $ \gamma_w $ 一致，证实了理论模型。
• 理论模型 $ P_w(w) \sim w^{-(1+1/\zeta_i)} $（等价于 $ P_w(w) \sim w^{-(1+\alpha_i)} $）导出群体层面的权重分布，其指数为 $ \gamma_w = 2 - \overline{\beta}_\tau $，所有四个数据集均以极小误差验证了该结果。