[论文解读] Detection of the elite structure in a virtual multiplex social system by means of a generalized $K$-core

Bernat Corominas‐Murtra, Benedikt Fuchs+1 more|arXiv (Cornell University)|Sep 26, 2013

Complex Network Analysis Techniques参考文献 21被引用 11

一句话总结

本文提出一种广义 $K$-core 算法，通过识别由高度连接的枢纽节点及其战略连接器组成的紧密子群，以检测多层社交网络中的精英结构。在一款虚拟多人游戏中应用该方法，其表现优于传统的 $K$-core 分析，揭示了与高社会绩效指标和国家特定精英模块相一致的深层、稳定的精英核心。

ABSTRACT

Elites are subgroups of individuals within a society that have the ability and means to influence, lead, govern, and shape societies. Members of elites are often well connected individuals, which enables them to impose their influence to many and to quickly gather, process, and spread information. Here we argue that elites are not only composed of highly connected individuals, but also of intermediaries connecting hubs to form a cohesive and structured elite-subgroup at the core of a social network. For this purpose we present a generalization of the $K$-core algorithm that allows to identify a social core that is composed of well-connected hubs together with their `connectors'. We show the validity of the idea in the framework of a virtual world defined by a massive multiplayer online game, on which we have complete information of various social networks. Exploiting this multiplex structure, we find that the hubs of the generalized $K$-core identify those individuals that are high social performers in terms of a series of indicators that are available in the game. In addition, using a combined strategy which involves the generalized $K$-core and the recently introduced $M$-core, the elites of the different 'nations' present in the game are perfectly identified as modules of the generalized $K$-core. Interesting sudden shifts in the composition of the elite cores are observed at deep levels. We show that elite detection with the traditional $K$-core is not possible in a reliable way. The proposed method might be useful in a series of more general applications, such as community detection.

研究动机与目标

• 为解决传统 $K$-core 在检测精英时的局限性，通过引入连接枢纽的结构连接器。
• 将精英不仅建模为枢纽，还建模为包含枢纽和功能性中介（连接器）的紧密子群。
• 在具有完整网络数据的现实世界虚拟多层社交系统中验证该方法，该系统来自一款大型多人在线游戏。
• 识别在深层 $K$-core 层次上精英结构发生突变的网络组织特征水平。
• 证明广义 $K$-core 与 $M$-core 结合可精确检测游戏中国家层面的精英模块。

提出的方法

• 将广义 $K$-core ($G_K$) 定义为最大诱导子图，其中每个节点要么是枢纽（度数 ≥ $K$），要么是连接器（连接至少两个度数 ≥ $K$ 的枢纽，无论其自身度数如何）。
• 应用迭代剪枝过程：反复移除度数 < $K$ 且最多只有一个度数 ≥ $K$ 的邻居的节点，直到无法再移除任何节点。
• 利用多个网络层（如友谊、贸易、通信）的交集图构建基于多层网络的核网络。
• 将广义 $K$-core 与 $M$-core（$M=1,2$）结合，通过检查 $M(G_K)$ 中连通分量的变化来检测核心社区。
• 将组织的特征水平定义为 $M(G_K)$ 包含多个连通分量的最高 $K$ 值。
• 与随机网络集合进行比较，以验证观察到的拓扑模式的统计显著性。

实验结果

研究问题

• RQ1 广义 $K$-core 算法是否能在多层社交网络中比标准 $K$-core 更可靠地检测精英结构？
• RQ2 广义 $K$-core 识别出的节点是否与虚拟社会中真实社会绩效指标中的高绩效个体相对应？
• RQ3 精英核心组成在不同 $K$ 水平下如何变化？在深层组织水平是否存在突变？
• RQ4 广义 $K$-core 与 $M$-core 的结合是否能检测到对应于不同社会群体（如国家）的模块化精英结构？
• RQ5 广义 $K$-core 是否对随机化具有鲁棒性？是否揭示了在随机网络中不存在的统计显著拓扑特征？

主要发现

• 广义 $K$-core 识别出在多个游戏特定指标（如影响力和活跃度）中表现优异的精英成员。
• 在高 $K$-水平下，广义 $K$-core 显示出巨大连通分量（GCC）的突然减小，表明精英凝聚力发生了结构性相变。
• 与随机化对应物相比，$G_K$-core 在深层水平具有显著更高的平均度数和聚类系数，证实了其结构鲁棒性。
• 传统 $K$-core 无法可靠检测精英，因为其 GCC 行为与随机网络高度一致，表明缺乏统计显著性。
• 将 $M$-core 应用于 $G_K$-core 可成功隔离国家特定的精英模块，证实该方法能检测到模块化的精英结构。
• 最深层的 $G_K$-core（$K^*$）对应一个稳定、紧密的精英子群，其中所有 $M(G_K)$ 分量坍缩为单一连通分量，表明结构完整性达到最大。