[論文レビュー] Modeling Social Networks with Overlapping Communities Using Hypergraphs and Their Line Graphs

Dajie Liu, Norbert Blenn+1 more|arXiv (Cornell University)|Dec 13, 2010

Complex Network Analysis Techniques参考文献 20被引用数 4

ひとこと要約

本稿では、重複するコミュニティを有するソーシャルネットワークを表現するハイパーグラフベースのモデルを提案する。ここでコミュニティはノードとして、複数のコミュニティに属する個人（メンバー）はハイパーリンクとして表現される。ハイパーグラフのライングラフは、構造を標準的なネットワークに変換し、古典的なネットワーク解析の適用を可能にする。このモデルは、ハイブスソーシャルネットワークと比較した際、高いクラスタリング係数、同調性、スケールフリーの次数分布、短いパス長といった実世界のネットワーク特性をうまく再現した。

ABSTRACT

We propose that hypergraphs can be used to model social networks with overlapping communities. The nodes of the hypergraphs represent the communities. The hyperlinks of the hypergraphs denote the individuals who may participate in multiple communities. The hypergraphs are not easy to analyze, however, the line graphs of hypergraphs are simple graphs or weighted graphs, so that the network theory can be applied. We define the overlapping depth $k$ of an individual by the number of communities that overlap in that individual, and we prove that the minimum adjacency eigenvalue of the corresponding line graph is not smaller than $-k_{max}$, which is the maximum overlapping depth of the whole network. Based on hypergraphs with preferential attachment, we establish a network model which incorporates overlapping communities with tunable overlapping parameters $k$ and $w$. By comparing with the Hyves social network, we show that our social network model possesses high clustering, assortative mixing, power-law degree distribution and short average path length.

研究の動機と目的

• コミュニティをノード、個人（複数のコミュニティに属する者）をハイパーリンクとして用いるハイパーグラフを用いて、重複コミュニティを有するソーシャルネットワークをモデリングすること。
• 複数のノードが同じ重複コミュニティに属するような状況においても、従来のネットワークモデルが重複を適切に表現できないという限界を解消すること。
• ハイパーグラフのライングラフを活用して、複雑な重複構造を標準グラフに変換し、既存のネットワーク理論を用いた解析を可能にすること。
• コミュニティの重なり具合を制御できる調整可能なパラメータ（重なり深度 $k$ と重なり幅 $w$）を導入すること。
• 実世界のハイブスソーシャルネットワークのトポロジー的特性と比較することで、モデルの現実性を検証すること。

提案手法

• 個人が属するすべてのコミュニティを結ぶハイパーリンクとして、コミュニティをノード、個人をハイパーリンクとしてハイパーグラフに表現する。
• ハイパーグラフのライングラフを構築し、各ノードをハイパーリンク（個人）として定義し、同じコミュニティに同時に属する個人同士の間にエッジを形成する。
• ハイパーグラフのライングラフの最小隣接固有値が、$k_{\text{max}}$ 以下に抑えられることを証明する。ここで $k_{\text{max}}$ は、すべての個人における最大の重なり深度を表す。
• ハイパーグラフの成長に優先的付加法則を適用し、コミュニティサイズと個人の次数の両方がスケールフリー分布を示すようにする。
• ハイパーグラフの構造を格納するための非符号インシデント行列 $R$ を用い、定義された式によりライングラフの隣接行列を計算する。
• 調整可能なパラメータ $k$ と $w$ を用いて合成ネットワークを生成し、トポロジー的指標（クラスタリング係数、同調性、パス長、次数分布）をハイブスデータセットと比較する。

実験結果

リサーチクエスチョン

• RQ1 ハイパーグラフは、個人が複数のコミュニティに属するようなソーシャルネットワークにおける重複コミュニティ構造を効果的にモデリングできるか？
• RQ2 ハイパーグラフのライングラフのスペクトル的性質は、ネットワーク内での個人の重なり深度とどのように関係しているか？
• RQ3 優先的付加法則を用いたハイパーグラフモデルは、ハイブスのような実世界のソーシャルネットワークの主要トポロジー的特徴をどの程度再現できるか？
• RQ4 重なり深度 $k$ と重なり幅 $w$ は、得られるネットワークの構造的性質にどのように影響を与えるか？
• RQ5 ハイパーグラフのライングラフは、クラスタリング係数、同調性、スケールフリーの次数分布といった重要なネットワーク特性を保持できるか？

主な発見

• ハイパーグラフのライングラフの最小隣接固有値は、$k_{\text{max}}$ より小さくならない。ここで $k_{\text{max}}$ はネットワーク内での最大重なり深度を表す。
• 生成されたハイパーグラフモデルは、指数 $α = -2.5$ のスケールフリーのコミュニティサイズ分布を示し、ハイブスネットワークのコミュニティサイズ分布（$α = -1.88$）に非常に近い。
• モデルのライングラフの次数分布は、指数 $α = -0.76$ のスケールフリー分布に従い、ハイブスネットワークの次数分布指数 $α = -0.88$ に非常に近い。
• モデルは高いクラスタリング係数、正の同調性、短い平均パス長を示し、これらすべてがハイブスソーシャルネットワークと整合的である。
• モデルは、スケールフリーの次数分布、高いクラスタリング係数、および同調的混合の構造的性質を、ハイブスネットワークより小さいサイズであるにもかかわらず、うまく捉えている。
• ハイパーグラフのライングラフは、生成されたハイパーグラフが線形であるため、重みなしである。これは、定められた条件下で変換がグラフの単純性を保つことを確認している。