[论文解读] Non-Conservative Diffusion and its Application to Social Network Analysis

Rumi Ghosh, Kristina Lerman+3 more|arXiv (Cornell University)|Feb 22, 2011

Complex Network Analysis Techniques被引用 10

一句话总结

本文提出了一套数学框架，用于区分网络中的保守型（基于随机游走）与非保守型（基于广播）扩散过程，将PageRank与保守型扩散相联系，将Alpha-Centrality与非保守型扩散相联系。研究证明，在Digg等信息传播型在线社交网络中，Alpha-Centrality在识别关键用户方面优于PageRank，实证验证显示其与真实影响力指标的对齐程度更高。

ABSTRACT

The random walk is fundamental to modeling dynamic processes on networks. Metrics based on the random walk have been used in many applications from image processing to Web page ranking. However, how appropriate are random walks to modeling and analyzing social networks? We argue that unlike a random walk, which conserves the quantity diffusing on a network, many interesting social phenomena, such as the spread of information or disease on a social network, are fundamentally non-conservative. When an individual infects her neighbor with a virus, the total amount of infection increases. We classify diffusion processes as conservative and non-conservative and show how these differences impact the choice of metrics used for network analysis, as well as our understanding of network structure and behavior. We show that Alpha-Centrality, which mathematically describes non-conservative diffusion, leads to new insights into the behavior of spreading processes on networks. We give a scalable approximate algorithm for computing the Alpha-Centrality in a massive graph. We validate our approach on real-world online social networks of Digg. We show that a non-conservative metric, such as Alpha-Centrality, produces better agreement with empirical measure of influence than conservative metrics, such as PageRank. We hope that our investigation will inspire further exploration into the realms of conservative and non-conservative metrics in social network analysis.

研究动机与目标

• 根据扩散量是否守恒，对网络扩散过程进行保守型与非保守型分类。
• 建立知名中心性度量（PageRank，保守型；Alpha-Centrality，非保守型）与其底层扩散过程之间的正式数学关联。
• 通过实证评估，检验非保守型中心性度量是否在信息通过广播而非随机游走传播的在线社交网络中，更优地预测真实世界影响力。
• 设计一种可扩展的近似算法，用于在大规模图上计算Alpha-Centrality，从而实现其在真实网络中的实际应用。
• 证明非保守型扩散的流行病阈值由邻接矩阵的谱半径决定，从而将网络结构与动态行为相联系。

提出的方法

• 将保守型扩散形式化为保持总权重不变的随机游走过程，其数学等价于PageRank。
• 将非保守型扩散定义为广播过程，其中每个活跃节点独立向所有邻居发送信息，导致总权重增加——其数学等价于Alpha-Centrality。
• 利用邻接矩阵及其谱半径推导流行病阈值，低于该阈值时扩散会消亡，高于该阈值时扩散将广泛传播。
• 通过用户特定的起始向量构建Alpha-Centrality的个性化版本，以模拟非保守型扩散中的个体化影响力。
• 设计一种近似算法，通过保持残差向量并迭代重新分配，以非保守方式模拟扩散过程。
• 证明该近似算法的性能保证，表明其在大规模图上具有收敛性和可扩展性。

实验结果

研究问题

• RQ1 保守型与非保守型扩散过程在数学上如何不同，其对网络中心性有何影响？
• RQ2 Alpha-Centrality作为非保守型度量，与PageRank相比，在多大程度上能更优地预测在线社交网络中的实证影响力？
• RQ3 流行病阈值与网络邻接矩阵的谱特性之间存在何种关系？
• RQ4 能否设计一种可扩展的近似算法用于Alpha-Centrality，同时保持其底层扩散的非保守特性？
• RQ5 个性化Alpha-Centrality如何提升对社交网络中信息扩散的个体影响力建模？

主要发现

• 非保守型扩散（如流行病或信息传播）在数学上等价于Alpha-Centrality，而保守型扩散则对应于PageRank。
• 在Digg社交网络上的实证评估表明，Alpha-Centrality与真实影响力排名的吻合度显著优于PageRank。
• 非保守型扩散的流行病阈值由邻接矩阵的谱半径决定，只有当谱半径超过临界值时，扩散才会广泛传播。
• 所提出的Alpha-Centrality近似算法通过残差向量的重新分配机制，在大规模图上实现了可扩展性，同时保持了过程的非保守特性。
• 通过共享残差向量，可高效计算个性化Alpha-Centrality，从而实现在多个用户间可扩展且自适应的影响力建模。
• 本研究揭示，中心性度量必须与底层扩散机制相匹配——非保守型度量（如Alpha-Centrality）对于建模社交网络中真实世界的信息与影响力传播至关重要。