Connections between Human Dynamics and Network Science

Motivation

• Known: Network science는 complex network의 구조와 dynamics를 연구하며 fat-tailed degree distribution을 발견했고, human dynamics는 interevent time 분포가 Poisson이 아닌 fat-tailed 형태임을 밝혔다. 그러나 두 분야는 같은 시스템을 연구하면서도 별개의 inquiry line으로 진행되어 왔다.
• Gap: 기존 연구들은 network theory와 human dynamics를 독립적으로 추구해왔고, 두 분야의 quantities 간 정량적 관계가 부재했다. 따라서 social network의 구조적 특성(degree, weight distribution)과 human activity의 동역학적 특성(activity, interevent time distribution) 간의 연결 고리를 규명할 필요가 있었다.
• Why: 사회적 상호작용 빅데이터의 가용성 증가로 두 분야가 동시에 발전했으나 이들 간의 관계를 이해하지 못했다. 이러한 연결관계를 밝히면 human behavior를 포괄적으로 이해하고 network 형성 메커니즘을 규명할 수 있다.
• Approach: 저자들은 개인의 activity (Ci)와 degree (ki) 간의 scaling relationship을 empirical하게 측정하고(Heaps' law), sociability αi를 도입하여 개인이 activity를 새로운 contacts로 전환하는 정도를 정량화했다. 이후 αi와 bursty exponent βτ,i 간의 constraint (αi + βτ,i = 1)를 유도하고, 여러 데이터셋에서 검증했다.

Achievement

FIG. 2.

1. Scaling relationship 도출: ki(t1,t2) ∼ Ci(t1,t2)^αi 관계식 및 αi + βτ,i = 1 constraint 발견. 2. Degree distribution 예측: Pk(k) = ∫∫δ(k - C^α)Pα(α)PC(C)dαdC 수식으로 degree distribution이 activity와 sociability의 convolution으로 표현됨을 증명. 3. Universal scaling collapse: 네 개의 상이한 데이터셋에서 bursty exponent 분포 Pβτ(βτ)가 σ ≈ 6.6의 universal parameter를 갖는 scaling form으로 collapse됨을 발견. 4. Empirical validation: mobile phone (450만 사용자), email (3,000명), Twitter (70만 사용자), online messages (3만 사용자)에서 theoretical prediction 검증.

How

FIG. 1.

• 개별 사용자별로 activity Ci와 degree ki의 temporal evolution 추적하여 Heaps' law exponent αi 측정 / - 각 데이터셋에서 activity distribution PC(C), degree distribution Pk(k), interevent time distribution Pτ(τ) 등을 power law로 fitting / - sociability distribution Pα(α)를 구성 및 분석 / - αi와 βτ,i 간의 linear constraint 검증 / - rescaling을 통해 universality 확인

Originality

• Human dynamics와 network science의 이론적 통합을 처음으로 시도 / - Sociability 개념 도입으로 개인의 네트워크 구축 능력을 정량화 / - Constraint equation αi + βτ,i = 1의 유도 및 검증은 새로운 이론적 기여 / - Multiple datasets에서 universal scaling behavior 발견으로 generality 입증

Limitation & Further Study

• 1년 이상의 장기 temporal dynamics 변화 분석 부족 (mobile phone 제외) / - Temporal correlations나 network clustering이 sociability에 미치는 영향 미고려 / - Bursty pattern의 근본적 원인(cognitive/behavioral mechanism)에 대한 설명 부재 / - 향후 연구는 sociability의 demographic/contextual factors 분석, theoretical model 개발, 실시간 네트워크 evol에 대한 예측 가능성 탐색이 필요

Evaluation

총평: 본 논문은 human dynamics와 network science의 오랜 단절을 이론적 framework로 연결하는 획기적 연구이다. Multiple large-scale datasets에서 검증된 universal scaling laws와 sociability 개념은 human behavior 이해에 근본적 기여를 하며, 향후 complex system 연구의 이론적 토대를 제공한다.