Dynamic networks are ubiquitous in the world. So far, many dynamic network models have been developed in search of network growth mechanisms at the node and edge levels. Especially, a number of fitness models have been employed for analysis of fitness (i.e., a node's inherent ability or characteristics) and popularity effects on growing networks. However, these models are not suitable for comparing the magnitude of the fitness and popularity effects. We propose a statistical dynamic network model called a fitness-popularity dynamic network (FPDN)} model, where fitness and popularity effects are on equal footing. These effects are estimated under the FPDN model and the estimation procedure are applied to the network data, Flickr following, Facebook wallpost, and ArXiv citation. We also investigate the FPDN model under general fitness distribution.
In the FPDN model, the fitness of a node is assumed invariant for a given period of time. In many real networks, however, the fitness may change over time in various ways. Herein, we propose a varying fitness-popularity dynamic network (V-FPDN) model by allowing variable fitness. Through the V-FPDN model, we can estimate the strength of fitness and popularity effects and show how the fitness of the nodes changes. The magnitude of these effects and fitness values are estimated simultaneously using the expectation-maximization (EM) algorithm combined with the Markov chain Monte Carlo (MCMC) method. We apply the FPDN and V-FPDN model to the Facebook wallpost network and compare the results. The YouTube subscription network is investigated using the V-FPDN model in various categories. We explain the superiority of the proposed model with remarkable interpretations.
We applied the fitness and popularity in a Community Question Answering (CQA) websites, which are widely used in sharing knowledge. So far, the evaluation of answers has been explained by the contents of answers through the investigation of user's topics of interest and expertise levels. In this paper, we focus on the user behavior that users can see the answerer's profile as well as the answer's content before evaluating the quality of the answer. We propose the Popularity-based Topical Expertise Model (PTEM), a generative model which concerns the rich-get-richer phenomenon that popular user's answers are more recommended. We can simultaneously estimate the topical expertise of users and the size of the rich-get-richer effect through the EM algorithm combined with collapsed Gibbs sampling. Experiments on six fields of StackExchange community are performed. We observe the rich-get-richer phenomenon in every field, and the strengths are different over fields. We discuss the superiority and usefulness of the model through the study on the philosophy field.
동적 네트워크는 우리 사회에서 흔히 발견할 수 있다. 지금까지 많은 동적 네트워크 모델들이 노드와 엣지 데이터 레벨에서 개발되었다. 특히, 적합성 (노드의 능력 및 특성)과 인기의 효과에 대한 여러 모델들이 개발되었다. 기존에 개발된 모델들은 적합성과 인기 효과를 비교하는 것에 적합하지 않았다. 본 연구에서 적합성과 인기의 효과를 동일한 기준으로 비교할 수 있는 적합성-인기 역학망 (FPDN) 모델을 제시하였다. 두 가지 효과들의 크기를 FPDN 모델을 이용하여 추정할 수 있으며, 플리커 팔로잉, 페이스북 담벼락, 그리고 아카이브 인용 네트워크에 적용하였다. 또한, 일반적인 노드의 적합성 분포를 가정하여 FPDN 모델을 적용하였다.
FPDN 모델에서 노드의 적합성은 변화하지 않는다고 가정되었다. 하지만 많은 실제 네트워크들에서 적합성은 다양한 방식으로 변화한다. 여기서 노드의 적합성의 변화를 허용하여 변화하는 적합성-인기 역학망 (V-FPDN) 모델을 제시하였다. 두 가지 효과의 크기와 노드의 적합성을 EM 알고리즘과 MCMC 방법을 이용하여 동시에 추정하였다. 페이스북 담벼락 네트워크에 두 모델을 모두 적용하여 결과를 비교하였다. 노드의 적합성의 변화가 어떻게 이루어지는지 본 모델을 통하여 분석할 수 있다. 페이스북 담벼락 네트워크에 FPDN 모델과 V-FPDN 모델을 모두 적용하여 그 차이를 비교하였다. 그리고 유튜브 구독 네트워크에 분야별로 V-FPDN 모델을 적용하여 분석하여 의미 있는 결과를 도출하였다.
적합성과 인기 개념을 질문-답변 커뮤니티 (CQA) 에 응용하였다. 지금까지는 유저의 관심있는 주제와 전문성을 기반으로 한 답변의 내용을 이용하여 답변의 평가가 이루어졌다. 우리는 답변자의 프로파일에 따라 유저들이 답변을 어떻게 평가하는지에 대한 유저 행동에 주목하였다. 인기 기반 주제별 전문성 모델 (PTEM)을 제시하여 스택익스체인지 유저의 전문성과 인기 효과에 대하여 분석하였다. 이 모델은 명성이 높은 유저가 작성한 답변일수록 더 많은 추천을 받는 현상을 통계적으로 설명한다. 유저의 주제별 전문성과 부익부 빈익빈 현상의 크기를 EM 알고리즘과 붕괴 깁스 추출을 이용하여 추정할 수 있다. 스택익스체인지 커뮤니티에 분야별로 모델을 적용하여 그 특성을 분석하였다. 모든 분야에서 부익부 빈익빈 현상이 존재함을 관찰하였고 분야에 따라 그 차이가 있었다. 철학 분야에 대한 자세한 분석을 통해 PTEM 모델의 우수성을 설명하였다.
