[논문 리뷰] Using Triangles to Improve Community Detection in Directed Networks

Christine Klymko, David F. Gleich외 1명|arXiv (Cornell University)|2014. 04. 23.

Complex Network Analysis Techniques참고 문헌 28인용 수 50

한 줄 요약

이 논문은 방향성 있는 3-사이클(삼각형)의 존재를 활용하여 방향성 네트워크의 간선 가중치를 새롭게 설정하는 방법을 제안한다. 이를 통해 커뮤니티 탐지 성능을 햖을 때, 분할 과정에서 잘린 3-사이클의 수를 크게 줄일 수 있다. 이는 비가중치 기반 방법 대비 최대 50%까지 감소시키며, 기존의 커뮤니티 탐지 성능을 유지한다.

ABSTRACT

In a graph, a community may be loosely defined as a group of nodes that are more closely connected to one another than to the rest of the graph. While there are a variety of metrics that can be used to specify the quality of a given community, one common theme is that flows tend to stay within communities. Hence, we expect cycles to play an important role in community detection. For undirected graphs, the importance of triangles -- an undirected 3-cycle -- has been known for a long time and can be used to improve community detection. In directed graphs, the situation is more nuanced. The smallest cycle is simply two nodes with a reciprocal connection, and using information about reciprocation has proven to improve community detection. Our new idea is based on the four types of directed triangles that contain cycles. To identify communities in directed networks, then, we propose an undirected edge-weighting scheme based on the type of the directed triangles in which edges are involved. We also propose a new metric on quality of the communities that is based on the number of 3-cycles that are split across communities. To demonstrate the impact of our new weighting, we use the standard METIS graph partitioning tool to determine communities and show experimentally that the resulting communities result in fewer 3-cycles being cut. The magnitude of the effect varies between a 10 and 50% reduction, and we also find evidence that this weighting scheme improves a task where plausible ground-truth communities are known.

연구 동기 및 목표

• 방향성 있는 삼각형에서 유래하는 구조적 정보를 통합하여 방향성 네트워크에서의 커뮤니티 탐지 성능을 향상시키는 것.
• 기존 방법들이 커뮤니티 할당 과정에서 방향성 흐름과 사이클 구조를 忽시하는 한계를 해결하는 것.
• 기존의 무방향 커뮤니티 탐지 도구에 쉽게 통합할 수 있는 단순하고 즉시 사용 가능한 가중치 부여 방법을 개발하는 것.
• 커뮤니티가 방향성 3-사이클을 얼마나 잘 유지하는지 평가할 수 있는 새로운 평가 지표인 3-사이클 잘림 비율을 도입하는 것.
• 실제 커뮤니티 구조가 알려진 네트워크에서 실험하여 기준 커뮤니티와의 일치도가 향상됨을 입증하는 것.

제안 방법

• 방향성 네트워크를 방향성이 없는 가중치가 부여된 무방향 그래프로 변환하기 위해, 간선의 방향성 3-사이클(길이가 3인 폐쇄 경로)에의 참여도에 따라 가중치를 할당한다.
• 4종류의 방향성 삼각형이 3-사이클을 포함하며, 이러한 삼각형에 속한 간선은 높은 가중치를 받는다.
• 커뮤니티의 밀집도를 더욱 향상시키기 위해 상호성(상호 간선)을 보조 가중치 요소로 통합한다.
• 기존의 무방향 커뮤니티 탐지 도구(예: METIS)를 가중치가 부여된 무방향 그래프에 적용하여 커뮤니티를 식별한다.
• 분할 후 커뮤니티 간에 잘린 3-사이클의 비율을 수치화하기 위해 새로운 지표인 3-사이클 잘림 비율을 도입한다.
• 합성 및 기준 커뮤니티 기반 벤치마크를 사용하여 실제 네트워크에서 방법의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 간선 가중치에 방향성 삼각형의 구조를 통합하면 방향성 네트워크에서의 커뮤니티 탐지 성능이 향상되는가?
• RQ2 삼각형 기반 가중치는 비가중치 또는 상호성 전용 가중치 대비 3-사이클 잘림 수를 얼마나 줄이는가?
• RQ3 실제 네트워크에서 제안된 방법은 기준 커뮤니티와의 일치도를 향상시키는가?
• RQ4 3-사이클 잘림 비율은 방향성 커뮤니티 탐지 평가에 의미 있는 지표로 기능하는가?
• RQ5 이 가중치 부여 방법을 통해 존재하는 무방향 커뮤니티 탐지 도구를 방향성 네트워크에 효과적으로 재사용할 수 있는가?

주요 결과

• 웹-노트르담 네트워크에서 3-사이클 기반 가중치 부여 방법은 비가중치 기반 대비 3-사이클 잘림 비율을 최대 80%까지 감소시켰다.
• 대부분의 네트워크에서 3-사이클 기반 가중치는 잘린 3-사이클 수를 10%에서 50%까지 줄였으며, 몇몇 케이스를 제외한 모든 테스트 케이스에서 유의미한 향상이 관찰되었다.
• 8개의 네트워크 중 4개(세레간스, 웹-버크스타, 웹-노트르담, 위키-보트)에서 비가중치 기반 대비 더 많은 상호 간선을 유지하였다.
• 25개 커뮤니티를 가진 위키백과 데이터셋에서 3-사이클 기반 가중치는 커뮤니티 내 간선의 잘림 비율을 비가중치 기반 대비 5% 감소시켰다.
• 상호 간선 가중치 부여 방법만을 사용할 경우 대부분의 네트워크에서 3-사이클 잘림 비율이 증가하여, 3-사이클 기반 가중치 부여 방법에 비해 성능이 열 劣하다는 것이 확인되었다.
• 기존의 모듈라리티와 같은 전통적 지표에 영향을 주지 않고도 기준 커뮤니티 탐지 과제에서 성능 향상을 달성하여, 기존 프레임워크와의 호환성을 입증하였다.