[论文解读] How Homophily Affects Communication in Networks

Benjamin Golub, Matthew O. Jackson|arXiv (Cornell University)|Nov 25, 2008

Complex Network Analysis Techniques被引用 8

一句话总结

本文研究了同质性（按相似性进行的同质匹配）如何影响社交网络中的信息传播。研究发现，即使在网络密度增加的情况下，同质性仍会减缓学习和随机游走过程（如谷歌随机浏览者模型）的传播速度，而对最短路径通信无影响。其主要贡献在于建立了一个将网络结构、同质性与信息扩散收敛速度相联系的理论框架。

ABSTRACT

We examine how three different communication processes operating through social networks are affected by homophily – the tendency of individuals to associate with others similar to themselves. We show that homophily has no effect in settings where messages reach their destinations by shortest paths; only connection density matters. In contrast, homophily substantially slows learning based on repeated updating from neighbors ’ information and Markovian random walks such as the Google random surfer model. This is true independently of connectivity: indeed, if homophily increases, random walks and learning are slowed down even if overall link density in the network is also increased. We also derive novel results on graph spectra and convergence times both in finite-sample and asymptotic settings, and relating random networks to their resulting spectra. We illustrate the applicability of the model by comparing the theoretical conclusions to computations based on high school friendship networks from the Adolescent Health dataset.

研究动机与目标

• 理解同质性如何影响社交网络中信息传播的速度与效率。
• 分析同质性对三种不同信息传播机制的影响：最短路径路由、邻居重复更新和马尔可夫随机游走。
• 在不同同质性水平和网络密度下，推导收敛时间与图谱性质的理论结果。
• 利用来自青少年健康纵向研究（Adolescent Health dataset）的高中生友谊网络实证数据验证模型。

提出的方法

• 作者将信息传播建模为三种不同的过程：最短路径消息路由、从邻居处重复更新信息，以及马尔可夫随机游走（如谷歌随机浏览者模型）。
• 他们使用谱图理论分析同质性对收敛时间的影响，重点关注转移矩阵的第二大特征值。
• 在有限样本和渐近两种设定下进行理论分析，推导出在不同同质性水平下收敛速度的边界。
• 将模型应用于来自国家青少年到成年健康纵向研究（Add Health）的实证高中生友谊网络，实现理论与现实数据的对比。

实验结果

研究问题

• RQ1 当消息在网络中沿最短路径传播时，同质性如何影响信息扩散？
• RQ2 同质性在多大程度上会减缓基于邻居重复更新的学习过程？
• RQ3 同质性如何影响马尔可夫随机游走（如谷歌随机浏览者模型）的收敛时间？
• RQ4 网络同质性、连边密度与网络谱性质之间存在何种关系？
• RQ5 关于同质性对信息传播影响的理论预测，与真实青少年友谊网络的实证数据是否一致？

主要发现

• 当消息沿最短路径路由时，同质性对信息传播效率无影响；仅网络密度起作用。
• 即使整体网络连通性很高，同质性仍会显著减缓基于邻居重复更新的学习过程。
• 随机游走（如谷歌随机浏览者模型）在同质性网络中收敛更慢，且随着同质性增强，这种延迟效应进一步加剧。
• 转移矩阵的第二大特征值（对收敛速度至关重要）随同质性增加而上升，表明混合与学习速度变慢。
• 对Add Health数据的实证分析证实，同质性网络表现出更慢的信息扩散，验证了理论预测。