[论文解读] Community Detection in Social Network using Temporal Data

Victor Stany Rozario, AZM Ehtesham Chowdhury+1 more|arXiv (Cornell University)|Apr 10, 2019

Complex Network Analysis Techniques参考文献 12被引用 4

一句话总结

本文提出了一种新型的社区检测方法——互连空间聚类模型（ILSCM），该方法整合了时间数据、节点属性和边连接性，以提升社交网络中的聚类准确性。通过利用基于上下文的关键特征提取和时间主题建模，ILSCM 通过动态介数分析识别社区，其检测性能优于忽略时间动态的传统方法。

ABSTRACT

Social networks facilitate the social space where actors or the users have ties among them. The ties and their patterns are based on their life styles and communication. Similarly, in online social media networks like Facebook, Twitter, Myspace etc., multiple users belong to multiple specific communities. The social network represents large real-world directed social graphs. Detection of communities or clusters from these graphs is a problem of considerable research interest. The communities are formed using the neighboring nodes that have common edges and common attributes. Most of the existing community detection algorithms usually consider node contents to analyze the attributes of community. Some algorithms use the links between the nodes to determine the dense regions in the graph. But utilizing both the edge content and the vertex content to detect community are yet to be considered and verified, since the traditional extraction methods of vertex and edge data do not consider the connectivity among the nodes. This paper presents an Interlinked Spatial Clustering Model (ILSCM) which provides relevant content selection and extraction of the temporal topics for identifying the betweenness among the nodes based on the context keys to detect community.

研究动机与目标

• 解决现有社区检测算法无法将时间动态与节点和边属性相结合的局限性。
• 开发一种方法，利用带时间戳的交互数据捕捉社交网络中演化的社区结构。
• 通过联合分析顶点内容、边连接性和时间模式，提升社区检测的准确性。
• 引入一种上下文感知的内容选择机制，以增强社区识别的相关性。
• 验证结合时间、空间和基于属性的特征在聚类社交网络图中的有效性。

提出的方法

• 提出互连空间聚类模型（ILSCM），通过分析用户交互中的时间模式来检测社区。
• 应用时间主题建模，从随时间演变的用户交互中提取主题，形成聚类的上下文关键特征。
• 基于上下文关键特征计算介数中心性，以识别定义社区边界的枢纽节点和连接关系。
• 将节点属性和边连接性与时间数据结合，以丰富聚类的特征表示。
• 应用空间聚类方法，基于时间、属性和连通性特征的综合信息对节点进行分组。
• 该模型使用基于上下文的内容选择机制，优先处理相关交互，减少社区形成过程中的噪声。

实验结果

研究问题

• RQ1 社交网络交互中的时间动态如何提升社区检测的准确性？
• RQ2 与单独使用特征相比，结合节点属性和边连接性在多大程度上提升了社区识别能力？
• RQ3 从时间数据中基于上下文的关键特征提取能否改善对演化社区的检测？
• RQ4 将时间主题与结构连通性结合对聚类性能有何影响？
• RQ5 在动态网络环境中，同时使用顶点和边内容会产生何种影响？

主要发现

• ILSCM 模型通过整合时间、属性和连通性数据，成功识别出社区，其性能优于仅使用静态或孤立特征的方法。
• 时间主题建模使得能够检测到在静态网络分析中不可见的演化社区结构。
• 使用上下文关键特征进行介数分析，提升了对关键节点和跨社区连接的识别能力。
• 由于顶点内容、边内容和带时间戳交互的协同使用，模型显著提升了聚类准确性。
• 时间数据的整合减少了噪声并提高了社区检测的相关性，尤其在动态社交网络中表现更优。
• 实证结果表明，ILSCM 在真实社交网络数据上相较于基线算法，实现了更高的社区凝聚度和分离度。