[Community Structure in Networks] 2주차

- 약하다고(인간관계에서 어퀘인턴스라고 해서) 중요도가 낮은것이 아님 : Weak Edge를 타고 정보가 흐른다!

 

- 우정에 대한 두 가지 관점
구조적 관점: 우정은 네트워크의 여러 부분에 걸쳐 있다.
대인관계 : 사람들 간의 우정은 강하거나 약하다.

 

-> Granovetter는 엣지의 사회적 역할과 구조적 역할을 연결.

- 첫 번째 요점
구조적으로 내장된 엣지는 사회적으로도 강합니다.
네트워크의 다른 부분에 걸쳐 있는 엣지는 사회적으로 약합니다.
-두 번째 요점:
장거리 엣지를 사용하면 네트워크의 다른 부분에서 정보를 수집하고 일자리를 얻을 수 있습니다.
구조적으로 임베디드 엣지는 정보 액세스 측면에서 중복성이 매우 높습니다.

 

 

- Triadic Closure

 𝐵와 𝐶가 공통적으로 친구 𝐴를 가지고 있다면, 𝐵는 𝐶를 만날 가능성이 높습니다:
->둘 다 𝐴와 시간을 보내기 때문에
𝐵와 𝐶는 서로를 신뢰합니다.
-> 공통의 친구가 있기 때문에
𝐴는 𝐵와 𝐶를 함께 데려올 인센티브가 있습니다.
-> 𝐴가 두 개의 분리된 관계를 유지하기 어렵기 때문에

Bridge edge : 지워지면 그래프가 끊어지는 엣지

Local bridge : 지워지면 edge of span(두 지점 거리(?))가 2보다 크게 됨. 그림 참조하면 a->b 하려면 3번 가야함.

 

-  Strong Triadic Closure : A-B와 A-C가 스트롱하게 연결되면 B-C도 연결되어야 된다.

 

실제 데이터에서는 타이 라고 하면 엣지인데, 엣지 스트렝스가 어떻게 될까? 현실과 부합할까?

오랜시간동안 검증은 되지 않았다. 데이터가 없기 때문

→ 현대에서는 그래프 데이터가 많음. 인터렉션(엣지)했던게 쌓였기 때문에, 그래프 딥러닝까지 하고 있음.

 

 

노드는 이웃이 있고, edge로 연결되어있으면 이웃이다. 2홉으로 갈 수 있어도 이웃이라고도 한다. 그러나 거리가 가까운 노드(1홉)를 일반적으로 이웃이라고 한다.

 

- Edge overlap : 두 엔드포인트가 i,j라 할 때 i와 j의 이웃이 얼마나 겹치느냐.

둘의 합집합으로 정규화를 하게 됨 → 교집합 크기로만 보면 이웃이 많으면 오버랩이 클 수 밖에 없으니까.

-> 이 때 overlap이 0이 되면 local bridge임.

 

자주 이용되는 링크 : High overlap

Edge strength가 달라지면 네이버후드 오버랩도 달라질까? : 전화 많이하면 친구가 많이 겹칠까?

-> 파란색이 실제 데이터인데, 올라가는것을 알 수 있음.

 

 

 

strong tie들은 더 embedded(내장)되어있다. 빨간색 애들이 더 안에(커뮤니티가 연결된 부분에) 들어가있다.

각 부분별로 밀집도가 다름. 빨간 엣지들은 dense(밀집)된 곳에 많음.

 

구조때문인가 싶어서 우측의 경우 구조를 그대로 두고 스트렝스를 막 섞어봤음.

-> 커뮤니티간 연결하는 엣지에도 빨간색이 많음.

 

 

1. strength를 따라서 링크(엣지, 타이)를 없애보자.

x축은 없앤 링크의 비율, y축은 그래프 안의 가장 큰 컴포넌트의 크기 비율 / 처음에는 전체 그래프가 한 덩어리.

- 빨간선은 스트렝스가 낮은 것(노란엣지) 부터 없애본 것,

- 까만선은 strong edge부터 끊은 것.

-> 좀 끊어진다고 해서 관계가 끝나지 않음. → 빨간색이 더 빨리 와해시킴.

 

2. 끊어보면서 largest component를 보는 것

- 빨간선 : 오버랩이 낮은 애 부터

- 검정 : 오버랩이 높은 것 부터 끊음.

-> 오버랩이 낮은 애들을 끊는 이 전략이 네트웤을 더 빨리 와해시킨다. 끊는다.

 

총합 : 커뮤니티 내부에는 스트롱 타이가 있고, 커뮤니티간 연결은 위크 타이.

어떤 경우엔 로컬 브릿지, 진짜 브릿지 뭐 그런 것.