[论文解读] Robustness of Social Networks: Comparative Results Based on Distance Distributions

Paolo Boldi, Marco Rosa+1 more|arXiv (Cornell University)|Oct 20, 2011

Complex Network Analysis Techniques被引用 6

一句话总结

本文提出了一种针对社交网络和网页图的新型鲁棒性评估框架，通过节点删除下距离分布的变化进行评估。通过标签传播对节点进行排序，并利用可达对数和调和直径衡量结构破坏程度，结果表明：标签传播在网页图中能识别出高度破坏性的节点，但在社交网络中影响甚微，揭示了两类网络之间根本的结构差异。

ABSTRACT

Given a social network, which of its nodes have a stronger impact in determining its structure? More formally: which node-removal order has the greatest impact on the network structure? We approach this well-known problem for the first time in a setting that combines both web graphs and social networks, using datasets that are orders of magnitude larger than those appearing in the previous literature, thanks to some recently developed algorithms and software tools that make it possible to approximate accurately the number of reachable pairs and the distribution of distances in a graph. Our experiments highlight deep differences in the structure of social networks and web graphs, show significant limitations of previous experimental results, and at the same time reveal clustering by label propagation as a new and very effective way of locating nodes that are important from a structural viewpoint.

研究动机与目标

• 评估不同节点删除策略下社交网络和网页图的结构鲁棒性。
• 识别最能有效破坏网络结构的节点中心性度量方法，尤其针对大规模图。
• 比较不同排序策略（如PageRank和标签传播）对全局网络属性（如可达对数和距离分布）的影响。
• 通过测试更大规模的数据集和更精确的距离估计技术，挑战以往关于网络鲁棒性的假设。
• 探究基于聚类的方法（如标签传播）是否可作为结构破坏的有效且可扩展的中心性度量。

提出的方法

• 作者使用近似算法计算大规模图中的可达对数和距离分布，从而实现对网络结构的高效分析。
• 节点删除基于预定义的排序顺序（如PageRank、标签传播）进行，删除过程以移除的弧的比例而非节点比例来追踪。
• 通过谐波直径和可达对数的比例变化来衡量节点删除的影响，采用论文中定义的鲁棒性度量δ。
• 该研究将这些方法应用于真实世界的数据集，包括网页图和社交网络，规模达10^9个节点，利用近期可扩展的图处理工具。
• 标签传播被用作基于聚类的方法，以识别具有高结构影响力的节点，随后评估其破坏潜力。
• 该方法通过测量弧的删除比例而非节点的删除比例，避免了基于度数的排序带来的偏差，确保了不同节点类型之间的公平比较。

实验结果

研究问题

• RQ1 不同节点删除策略如何影响大规模社交网络和网页图中的距离分布与可达对数？
• RQ2 与社交网络相比，标签传播在多大程度上能识别出在网页图中引发显著结构破坏的节点？
• RQ3 为何传统中心性度量（如PageRank）在社交网络中破坏效果远弱于在网页图中的表现？
• RQ4 本研究的结果如何挑战或验证基于较小规模或对称化数据集的先前发现？
• RQ5 基于聚类的方法（如标签传播）能否作为计算成本高昂的中心性度量（如介数）的有效且可扩展的替代方案？

主要发现

• 当移除30%的弧时，标签传播在网页图中通过使谐波直径增加一个数量级，持续表现出显著的结构破坏性，表明其具有高度的结构影响。
• 相比之下，社交网络在相同条件下仅表现出14%的谐波直径增加，揭示了网页图与社交网络之间根本的结构差异。
• 在.uk数据集中，PageRank与标签传播排序之间的肯德尔等级相关系数τ ≈ -0.002，表明两种方法识别出的关键节点集合不同。
• 随机节点删除对两类网络的影响均较小，证实网络的鲁棒性并非源于随机抗性，而是源于其结构设计。
• 使用弧的删除比例而非节点的删除比例，可避免对高阶数节点的偏差，从而实现不同策略之间的更公平比较。
• 本研究表明，可达对数和距离分布作为全局特征，比聚类系数等局部度量更具信息量，后者可通过局部节点删除被轻易操纵。