[论文解读] User-Relatedness and Community Structure in Social Interaction Networks

Folke Mitzlaff, Martin Atzmueller+3 more|arXiv (Cornell University)|Sep 16, 2013

Complex Network Analysis Techniques参考文献 47被引用 10

一句话总结

本文提出证据网络——来自社交媒体的隐式与显式用户交互痕迹——作为分析用户关联性与社区结构的框架。通过在BibSonomy、Twitter和Flickr的网络间相关联结构特性，作者展示了社区结构与排名在不同网络间具有显著的一致性，从而实现无需黄金标准数据的社区挖掘技术相对评估。

ABSTRACT

With social media and the according social and ubiquitous applications finding their way into everyday life, there is a rapidly growing amount of user generated content yielding explicit and implicit network structures. We consider social activities and phenomena as proxies for user relatedness. Such activities are represented in so-called social interaction networks or evidence networks, with different degrees of explicitness. We focus on evidence networks containing relations on users, which are represented by connections between individual nodes. Explicit interaction networks are then created by specific user actions, for example, when building a friend network. On the other hand, more implicit networks capture user traces or evidences of user actions as observed in Web portals, blogs, resource sharing systems, and many other social services. These implicit networks can be applied for a broad range of analysis methods instead of using expensive gold-standard information. In this paper, we analyze different properties of a set of networks in social media. We show that there are dependencies and correlations between the networks. These allow for drawing reciprocal conclusions concerning pairs of networks, based on the assessment of structural correlations and ranking interchangeability. Additionally, we show how these inter-network correlations can be used for assessing the results of structural analysis techniques, e.g., community mining methods.

研究动机与目标

• 分析从真实世界社交媒体平台提取的隐式与显式社交互动网络之间的结构相关性。
• 评估不同证据网络（如书签系统、微博系统和照片分享系统）是否表现出一致的社区结构。
• 提出一种基于网络间相关性的方法，对社区挖掘结果进行相对评估，避免依赖黄金标准数据。
• 探索不同证据网络在捕捉用户关联性与社区形成方面的互补性。
• 通过跨网络一致性，实现与应用无关的社区检测算法评估。

提出的方法

• 从三个平台的用户交互中构建证据网络：BibSonomy（社交书签）、Twitter（微博）和Flickr（照片分享）。
• 将用户交互建模为无向图，其中节点代表用户，边代表观测到的交互行为（如标签标记、关注、点赞）。
• 对每个证据网络应用标准社区检测算法（如Newman的基于模块度的方法）以提取社区结构。
• 使用共享社区成员身份与排名一致性度量，对网络间进行结构相关性分析。
• 使用标准社区评估指标（如模块度、标准化互信息）比较并验证网络间的社区结构。
• 通过分析网络间排名的相互一致性，评估社区分配的相对质量。

实验结果

研究问题

• RQ1 来自社交媒体平台的不同证据网络在社区结构上表现出多大程度的结构相关性？
• RQ2 是否可以利用网络间相关性，在无黄金标准标签的情况下推断出关于社区质量的相互结论？
• RQ3 来自同一用户群体的不同证据网络中，社区的排名一致性如何？
• RQ4 隐式网络（如点击流、标签行为）中的社区结构是否与显式网络（如好友列表）中的社区结构相当？
• RQ5 所观察到的相关性是否能够实现跨平台社区挖掘技术的相对评估？

主要发现

• 在BibSonomy、Twitter和Flickr的证据网络之间存在显著的共同社区结构，表明存在共享的用户关联性模式。
• 不同网络中社区的排名表现出高度的相互一致性，表明可跨平台相对评估社区质量。
• 网络间的结构相关性足够强，可实现无需黄金标准标注的社区挖掘结果相对评估。
• 隐式网络（如Web 2.0系统中的用户交互）比显式网络显著更大且更丰富，但仍能产生可比的社区结构。
• 结果表明，证据网络并非相互矛盾，而是互补的，可实现社区检测结果的交叉验证。
• 本研究证实，可通过网络间的一致性对社区检测质量进行相对评估，为昂贵的手动评估提供可扩展的替代方案。