[论文解读] Community Evolution of Social Network: Feature, Algorithm and Model

Yi Wang, Bin Wu+1 more|ArXiv.org|Apr 28, 2008

Complex Network Analysis Techniques参考文献 18被引用 32

一句话总结

本文提出 CommTracker，一种无需参数的基于核心节点的算法，通过利用核心节点在时间快照之间建立动态关系，追踪社交网络中的社区演化。它识别出两个关键动态特征——社区持久性（GROWTH）与成员不稳定性（METABOLISM）——并提出一种改进的社交网络模型，以再现这些现象，从而通过超越静态拓扑的动态特征，清晰区分社交网络与非社交网络。

ABSTRACT

Researchers have devoted themselves to exploring static features of social networks and further discovered many representative characteristics, such as power law in the degree distribution and assortative value used to differentiate social networks from nonsocial ones. However, people are not satisfied with these achievements and more and more attention has been paid on how to uncover those dynamic characteristics of social networks, especially how to track community evolution effectively. With these interests, in the paper we firstly display some basic but dynamic features of social networks. Then on its basis, we propose a novel core-based algorithm of tracking community evolution, CommTracker, which depends on core nodes to establish the evolving relationships among communities at different snapshots. With the algorithm, we discover two unique phenomena in social networks and further propose two representative coefficients: GROWTH and METABOLISM by which we are also able to distinguish social networks from nonsocial ones from the dynamic aspect. At last, we have developed a social network model which has the capabilities of exhibiting two necessary features above.

研究动机与目标

• 揭示社交网络的动态特征，超越幂律度分布和度数相关性等静态特征。
• 开发一种无需参数的算法，用于追踪社区演化，包括分裂与合并事件。
• 识别并量化社交网络中独特的动态现象，以区别于非社交网络。
• 提出一种可表现出所发现动态特征的改进社交网络模型。

提出的方法

• CommTracker 利用核心节点在时间快照之间建立演化的社区关系，避免依赖节点稳定性。
• 核心节点基于度数和持续性进行识别，构成跨时间区间的社区追踪骨干。
• 该算法通过分析核心节点的转移与连通性变化，检测社区的分裂与合并。
• 定义两个系数——GROWTH（社区生命周期）与 METABOLISM（成员更替率）——以量化网络的动态行为。
• 改进的社交网络模型在 Emily 模型基础上，增加了基于度数的动态节点增删规则。
• 该模型包含五个步骤：初始连接形成、三角闭合、边删除、基于度数的顶点删除，以及通过优先连接高阶邻居实现新顶点插入。

实验结果

研究问题

• RQ1 如何在不依赖不稳定节点的前提下，有效追踪社交网络中社区的随时间演化？
• RQ2 除静态拓扑属性外，哪些独特的动态特征可将社交网络与非社交网络区分开来？
• RQ3 能否定义一个动态系数体系（GROWTH 与 METABOLISM），以定量区分社交网络与非社交网络？
• RQ4 如何改进社交网络模型，以反映真实的节点更替与社区演化？

主要发现

• 社交网络中约 80% 的节点仅出现在一个或两个时间快照中，表明节点具有高度不稳定性。
• 度数较高的节点在快照间显著更持久，表明核心节点具有稳定性。
• 较大的社区表现出更长的生命周期，该现象由 GROWTH 系数量化。
• 生命周期更长的社区表现出更高的成员更替率，由 METABOLISM 系数捕捉。
• 所提出的模型在 11 个数据集（包括 6 个社交网络与 5 个非社交网络）上成功再现了 GROWTH 与 METABOLISM 现象。
• CommTracker 算法在无需参数调优的情况下，有效检测了社区的分裂与合并。