[论文解读] Generalized friendship paradox in complex networks

Young-Ho Eom, Hang-Hyun Jo|arXiv (Cornell University)|Jan 7, 2014

Complex Network Analysis Techniques被引用 7

一句话总结

本文将友谊悖论推广至复杂网络中任意节点特征，证明度数较高的节点往往具有更高的引用次数、发表论文数和合作者数量等特征值。基于《物理评论》和谷歌学术的合作者网络，研究发现由于度数与特征值之间存在正相关关系，广义友谊悖论（GFP）在个体和网络层面均成立，从而可在大规模网络中高效采样高特征值节点。

ABSTRACT

The friendship paradox states that your friends have on average more friends than you have. Does the paradox hold for other individual characteristics like income or happiness? To address this question, we generalize the friendship paradox for arbitrary node characteristics in complex networks. By analyzing two coauthorship networks of Physical Review journals and Google Scholar profiles, we find that the generalized friendship paradox (GFP) holds at the individual and network levels for various characteristics, including the number of coauthors, the number of citations, and the number of publications. The origin of the GFP is shown to be rooted in positive correlations between degree and characteristics. As a fruitful application of the GFP, we suggest effective and efficient sampling methods for identifying high characteristic nodes in large-scale networks. Our study on the GFP can shed lights on understanding the interplay between network structure and node characteristics in complex networks.

研究动机与目标

• 探究友谊悖论是否超越社交关系，延伸至引用次数、发表论文数和合作者数量等节点特征。
• 理解复杂网络中广义友谊悖论（GFP）的结构成因。
• 开发基于GFP的采样方法，以在大规模网络中高效识别高特征值节点。
• 利用来自《物理评论》和谷歌学术的真实数据，验证GFP在现实世界合作者网络中的适用性。

提出的方法

• 通过引入一种将节点度数与任意节点特征（如合作者数量或引用次数）关联的框架，推广友谊悖论。
• 分析两个实证合作者网络：一个来自《物理评论》期刊，另一个来自谷歌学术个人资料，以评估GFP的普遍性。
• 量化节点度数与节点特征之间的相关性，以解释GFP的产生机制。
• 推导并应用基于GFP的采样策略，实现在无需完整网络检查的前提下高效识别高特征值节点。
• 使用统计分析评估GFP在多个特征上的个体层面与网络层面表现。
• 确立度数与特征值之间的正相关关系是广义友谊悖论的主要驱动因素。

实验结果

研究问题

• RQ1 广义友谊悖论在现实网络中是否适用于引用次数、发表论文数和合作者数量等节点特征？
• RQ2 复杂网络中广义友谊悖论的结构特性是什么？
• RQ3 节点度数与节点特征之间的正相关关系在多大程度上解释了GFP？
• RQ4 能否利用GFP设计高效采样方法，以在大规模网络中识别高特征值节点？
• RQ5 GFP在合作者网络的个体与网络层面如何体现？

主要发现

• 广义友谊悖论在个体层面成立，即大多数个体的朋友在引用次数和发表论文数等特征值上更高。
• 该悖论在网络层面也成立，即邻居节点的平均特征值高于节点自身的平均特征值。
• 节点度数与节点特征之间的正相关关系是广义友谊悖论的主要驱动因素。
• GFP可支持开发高效采样方法，其在识别大规模网络中高特征值节点方面优于随机采样。
• 对《物理评论》和谷歌学术合作者网络的实证分析证实，GFP在不同网络结构和特征类型下均具有鲁棒性。
• 本研究表明，度数较高的节点系统性地与网络相关特征的更高值相关联，验证了GFP框架的预测能力。