[논문 리뷰] Influence Activation Model: A New Perspective in Social Influence Analysis and Social Network Evolution

Yang Yang, Nitesh V. Chawla외 2명|arXiv (Cornell University)|2016. 05. 26.

Opinion Dynamics and Social Influence참고 문헌 13인용 수 6

한 줄 요약

이 논문은 국지성과 인기 영향을 통합하여 사회적 영향이 사회 네트워크의 구조적 변화를 어떻게 이끄는지 설명하는 새로운 네트워크 진화 프레임워크인 영향 활성화 모델(IAM)을 제안한다. 상호 영향을 가중치가 부여된 캐스케이드 과정을 통해 계산한 비례로 링크 형성을 모델링함으로써, IAM은 degree distribution과 클러스터링과 같은 실제 네트워크 특성을 더 잘 재현하는 데 성공하여, 네트워크 진화의 주요 동력으로서 사회적 영향이 순수한 위상 기반 메커니즘을 초월한다는 것을 입증한다.

ABSTRACT

What drives the propensity for the social network dynamics? Social influence is believed to drive both off-line and on-line human behavior, however it has not been considered as a driver of social network evolution. Our analysis suggest that, while the network structure affects the spread of influence in social networks, the network is in turn shaped by social influence activity (i.e., the process of social influence wherein one person's attitudes and behaviors affect another's). To that end, we develop a novel model of network evolution where the dynamics of network follow the mechanism of influence propagation, which are not captured by the existing network evolution models. Our experiments confirm the predictions of our model and demonstrate the important role that social influence can play in the process of network evolution. As well exploring the reason of social network evolution, different genres of social influence have been spotted having different effects on the network dynamics. These findings and methods are essential to both our understanding of the mechanisms that drive network evolution and our knowledge of the role of social influence in shaping the network structure.

연구 동기 및 목표

• 네트워크 구조 외에도 사회적 영향이 사회 네트워크의 진화를 이끄는지 조사하는 것.
• 국지성과 인기 영향 메커니즘을 모두 통합한 새로운 네트워크 진화 모델을 개발하는 것.
• 모델이 degree distribution, 클러스터링 계수, 지오데식 거리와 같은 실증적 네트워크 특성을 얼마나 잘 재현할 수 있는지 검증하는 것.
• 국지성 영향과 인기 영향이 네트워크 역학 형성에 미치는 역할을 분리하여 분석하는 것.

제안 방법

• 영향 활성화 모델(IAM)은 노드 간의 상호 영향 비례로 링크 형성 확률을 모델링하며, 이는 가중치가 부여된 캐스케이드 과정에서 유도된다.
• 영향 전파 계산은 소스 노드에서 도달 가능한 모든 노드로의 최대 활성화 확률을 결정하기 위해 너비 우선 탐색을 사용한다.
• 두 노드 간의 영향은 간선 가중치와 노드 차수를 고려한 모든 가능한 활성화 경로 중 최대값으로 정의된다.
• 모델은 국지 네트워크 관계를 통한 국지성 영향과, 선호적 연결 원칙을 통해 모델링된 글로벌 노드 영향을 통한 인기 영향을 통합한다.
• 네트워크 진화는 계산된 영향 점수에 기반해 반복적으로 새로운 링크를 추가함으로써 시뮬레이션되며, DBLP와 페이스북의 실데이터와 일치하도록 매개변수를 조정한다.
• 모델 성능 평가에는 AUROC, AUPR, ROC 및 정밀도-재현율 곡선과 같은 표준 지표와 함께 degree distribution과 클러스터링 계수와 같은 구조적 측정치가 사용된다.

실험 결과

연구 질문

• RQ1 사회적 영향 활동이 네트워크의 진화에 미치는 영향은 네트워크의 구조적 제약을 초월해 어느 정도인가?
• RQ2 국지성 영향과 인기 영향은 네트워크 위상과 링크 형성에 어떤 방식으로 다른 영향을 미치는가?
• RQ3 국지성과 인기 영향을 모두 통합한 모델이 기존 모델보다 실증적 네트워크 특성을 더 잘 재현할 수 있는가?
• RQ4 영향 메커니즘과 선호적 연결이 네트워크 성장에 미치는 기여도는 각각 어느 정도인가?

주요 결과

• IAM 모델은 DBLP와 페이스북 데이터셋 모두에서 힘의 법칙에 따르는 degree distribution과 점점 감소하는 클러스터링 계수와 같은 핵심 실증적 네트워크 특성을 성공적으로 재현한다.
• 모델은 특히 인기 영향이 네트워크 구조 형성에 중요한 역할을 한다는 것을 입증하며, degree 기반 또는 위상 기반 메커니즘에 의존하는 기존 모델보다 영향 기반 링크 형성 방식이 새로운 링크 예측에서 더 뛰어난 성능을 보인다.
• 실험 결과 국지성과 인기 영향을 모두 통합한 모델이 degree 기반 또는 위상 기반 메커니즘에만 의존하는 모델보다 실제 네트워크 진화를 더 정확하게 시뮬레이션할 수 있음을 보여준다.
• 가중치가 부여된 캐스케이드와 너비 우선 탐색 기반의 영향 전파 메커니즘은 영향 확산의 역학과 네트워크 형성에 미치는 영향을 효과적으로 포착한다.
• 모델은 링크 예측에서 높은 성능을 기록하며, AUROC와 AUPR 점수를 통해 영향 잠재력에 기반한 새로운 링크 예측에 강력한 예측 능력을 보인다.