[论文解读] A comparative study of stochastic algorithmic models for social networks

Riitta Toivonen, Lauri Kovanen+4 more|arXiv (Cornell University)|May 5, 2008

Complex Network Analysis Techniques被引用 1

一句话总结

本研究将基于随机算法的社交网络模型——网络演化模型（NEMs）与节点属性模型（NAMs）——与实证熟人网络进行比较。NAMs 能够生成强烈的度相关性与明显的社区结构，但在聚类谱和度分布方面表现不佳；NEMs 更好地匹配了实证的度分布与聚类特性，尽管其社区结构弱于实际数据。

ABSTRACT

This paper reviews, classifies and compares recent models for social networks that have mainly been published within the physics-oriented complex networks literature. The models fall into two categories: those in which the addition of new links is dependent on the (typically local) network structure (network evolution models, NEMs), and those in which links are generated based only on nodal attributes (nodal attribute models, NAMs). An exponential random graph model (ERGM) with structural dependencies is included for comparison. We fit models from each of these categories to two empirical acquaintance networks with respect to basic network properties. We compare higher order structures in the resulting networks with those in the data, with the aim of determining which models produce the most realistic network structure with respect to degree distributions, assortativity, clustering spectra, geodesic path distributions, and community structure (subgroups with dense internal connections). We find that the nodal attribute models successfully produce assortative networks and very clear community structure. However, they generate unrealistic clustering spectra and peaked degree distributions that do not match empirical data on large social networks. On the other hand, many of the network evolution models produce degree distributions and clustering spectra that agree more closely with data. They also generate assortative networks and community structure, although often not to the same extent as in the data. The ERG model turns out to produce the weakest community structure.

研究动机与目标

• 评估并比较随机算法模型在再现实证社交网络结构方面的现实性。
• 识别哪类模型——NEMs 或 NAMs——最能再现度分布、聚类和社区结构等关键网络特性。
• 评估具有结构依赖性的指数随机图模型（ERGM）作为基准的性能。
• 确定基于节点属性的模型或基于网络演化的模型是否能生成更真实的大型社交网络拓扑结构。

提出的方法

• 将物理学导向的复杂网络文献中近期提出的模型分类并回顾为两类：网络演化模型（NEMs）与节点属性模型（NAMs）。
• 使用随机模拟将 NEMs 与 NAMs 拟合到两个实证熟人网络，以生成合成网络。
• 通过度分布、度相关性、聚类谱、最短路径分布和社区结构等指标，将合成网络与实证数据进行比较。
• 将具有结构依赖性的指数随机图模型（ERGM）作为对比基线。
• 通过量化合成网络与实证网络在多种结构特性上的相似性，评估模型性能。
• 使用统计度量评估更高阶网络结构（如聚类谱与社区密度）的真实性。

实验结果

研究问题

• RQ1 在实证社交网络中，节点属性模型（NAMs）是否比网络演化模型（NEMs）生成更真实的社区结构？
• RQ2 NEMs 与 NAMs 在多大程度上能再现真实大规模社交网络中观察到的度分布？
• RQ3 NAMs 与 NEMs 在多大程度上能再现实证熟人网络中观察到的聚类谱？
• RQ4 指数随机图模型（ERGM）在生成真实网络结构方面的表现与 NEMs 和 NAMs 相比如何？
• RQ5 哪类模型更能捕捉真实社交网络中度相关性、聚类与社区结构之间的相互作用？

主要发现

• 节点属性模型（NAMs）能够成功生成度相关网络，并产生非常清晰、定义明确的社区结构。
• NAMs 生成的聚类谱不切实际，且度分布呈尖峰状，与大规模社交网络的实证数据不符。
• 网络演化模型（NEMs）生成的度分布与聚类谱更接近实证观察结果。
• NEMs 同样生成了度相关网络与可检测的社区结构，尽管其显著性不及实证数据中的表现。
• 指数随机图模型（ERGM）在所有测试模型中产生的社区结构最弱。
• 尽管 NAMs 在社区检测方面表现优异，但其无法再现真实的聚类谱，这限制了其在大规模社交网络中的整体现实性。