[论文解读] Egomunities, Exploring Socially Cohesive Person-based Communities

Adrien Friggeri, Guillaume Chelius+1 more|arXiv (Cornell University)|Feb 13, 2011

Complex Network Analysis Techniques参考文献 8被引用 13

一句话总结

本文提出 egomunities——一种基于节点邻域的主观性、以个体为中心的社区——通过一种基于三角形密度和弱连接的新型凝聚度度量。通过最大化凝聚度，该方法识别出紧密连接且外联较少的社区，在估计用户年龄方面表现出更高准确性（MAE 0.938），优于使用所有好友的全局方法（MAE 1.96），并可扩展至加权网络。

ABSTRACT

In the last few years, there has been a great interest in detecting overlapping communities in complex networks, which is understood as dense groups of nodes featuring a low outbound density. To date, most methods used to compute such communities stem from the field of disjoint community detection by either extending the concept of modularity to an overlapping context or by attempting to decompose the whole set of nodes into several possibly overlapping subsets. In this report we take an orthogonal approach by introducing a metric, the cohesion, rooted in sociological considerations. The cohesion quantifies the community-ness of one given set of nodes, based on the notions of triangles - triplets of connected nodes - and weak ties, instead of the classical view using only edge density. A set of nodes has a high cohesion if it features a high density of triangles and intersects few triangles with the rest of the network. As such, we introduce a numerical characterization of communities: sets of nodes featuring a high cohesion. We then present a new approach to the problem of overlapping communities by introducing the concept of ego-munities, which are subjective communities centered around a given node, specifically inside its neighborhood. We build upon the cohesion to construct a heuristic algorithm which outputs a node's ego-munities by attempting to maximize their cohesion. We illustrate the pertinence of our method with a detailed description of one person's ego-munities among Facebook friends. We finally conclude by describing promising applications of ego-munities such as information inference and interest recommendations, and present a possible extension to cohesion in the case of weighted networks.

研究动机与目标

• 为解决传统社区检测的局限性，将关注点从全局网络划分转向以用户为中心的局部社区识别。
• 定义一种新度量——凝聚度，基于社会学原理量化社区质量，强调三角形密度与弱连接。
• 开发一种启发式算法，通过在节点邻域内最大化凝聚度来构建 egomunities。
• 通过在 Facebook 数据上的实证分析验证凝聚度度量，包括一项大规模用户实验（Fellows）。
• 探索在个人特质推断（如年龄估计）中的应用，并将凝聚度扩展至加权网络。

提出的方法

• 提出凝聚度作为度量：𝒞(S) = [Δ_in(S) / C(|S|,3)] × [Δ_in(S) / (Δ_in(S) + Δ_out(S))]，其中 Δ_in 统计内部三角形数量，Δ_out 统计外部三角形交集数量。
• 以三角形密度和弱连接（低外部连通性）作为社区质量的核心社会学基础。
• 应用贪心启发式算法扩展种子节点的邻域，通过迭代最大化凝聚度形成 egomunities。
• 通过大规模 Facebook 实验（Fellows）收集用户对检测到的 egomunities 的反馈，验证凝聚度作为感知上有意义度量的有效性。
• 通过定义加权三角形乘积 W(u,v,w) = W(u,v)W(u,w)W(v,w)，将凝聚度扩展至加权网络，并相应重新定义 Δ_in^w 和 Δ_out^w。

实验结果

研究问题

• RQ1 基于三角形与弱连接的凝聚度度量能否有效识别出以个体为中心、主观上有意义的重叠社区？
• RQ2 与基于全局好友的估计方法相比，基于 egomunity 的年龄估计在准确性和偏差方面表现如何？
• RQ3 凝聚度能否作为社交网络中人类对社区质量感知的可靠代理？
• RQ4 如何将凝聚度适配至加权网络，以反映社交社区中的关系强度？
• RQ5 egomunities 在个人特质推断与兴趣推荐中的实际应用有哪些？

主要发现

• 基于 egomunity 的年龄估计器实现了 0.938 年的平均绝对误差（MAE），显著低于基于全局好友的估计器的 1.96 年 MAE。
• 基于 egomunity 的估计器偏差更低（-0.296 年），而基于全局好友的估计器偏差为 +1.27 年，表明准确性得到提升。
• 真实年龄与基于 egomunity 的年龄估计之间的皮尔逊相关系数为 0.894，优于基于全局好友估计的 0.859。
• 70.24% 的 Facebook 参与者至少拥有一个年龄标准差低于 2.5 年的 egomunity，表明其同质性足够高，可支持可靠推断。
• 通过正在进行的 Fellows 实验中的用户反馈验证，凝聚度度量与人类感知高度一致。
• 将凝聚度扩展至加权网络后，既保留了凝聚度的结构直觉，又通过引入边权重反映了关系强度。