[論文レビュー] A Machine Learning Approach to Predicting Continuous Tie Strengths

James Flamino, Ross DeVito+2 more|arXiv (Cornell University)|Jan 23, 2021

Mechanical stress and fatigue analysis参考文献 24被引用数 4

ひとこと要約

本稿では、NetSense研究から得られた通信データを用いて、動的SNSにおける進化する結束強度を継続的に予測する機械学習フレームワークを提案する。時間的変化を伴う通信特徴量（頻度、最近性、継続時間、量）にランダムフォレストおよびLSTMモデルを適用することで、静的アンケートよりも優れた動的連続的結束強度推定値を生成し、縦断的な関係性のパターンを明らかにする。

ABSTRACT

Relationships between people constantly evolve, altering interpersonal behavior and defining social groups. Relationships between nodes in social networks can be represented by a tie strength, often empirically assessed using surveys. While this is effective for taking static snapshots of relationships, such methods are difficult to scale to dynamic networks. In this paper, we propose a system that allows for the continuous approximation of relationships as they evolve over time. We evaluate this system using the NetSense study, which provides comprehensive communication records of students at the University of Notre Dame over the course of four years. These records are complemented by semesterly ego network surveys, which provide discrete samples over time of each participant's true social tie strength with others. We develop a pair of powerful machine learning models (complemented by a suite of baselines extracted from past works) that learn from these surveys to interpret the communications records as signals. These signals represent dynamic tie strengths, accurately recording the evolution of relationships between the individuals in our social networks. With these evolving tie values, we are able to make several empirically derived observations which we compare to past works.

研究の動機と目的

• 静的アンケートベースの手法に起因する制限を克服し、スケーラブルで継続的な動的ネットワークにおける社会的結束強度の予測手法を開発すること。
• 結束強度を離散的スナップショットではなく、通信パターンから導出される時間変動信号としてモデル化すること。
• プラットフォーム固有の特徴ではなく通信メタデータを用いることで、単一プラットフォームにとどまらない汎用的フレームワークを構築すること。
• NetSense研究の基準アンケートデータと比較してモデルを検証し、実証的妥当性を確保すること。
• 生の通信ログから時系列エッジ重みを生成することで、関係性の進化を縦断的に分析可能にする。

提案手法

• 各エゴの社会的結束強度のグローバルランクを算出するために、機械学習モデルのペアワイズ比較結果を統合するBorda順位付けベースのランキングシステムを用いる。
• 2人の個人間の通信特徴（頻度、最近性、継続時間、量）の差分ベクトルを学習対象とするランダムフォレスト分類器を用いたアンサンブルモデルを採用する。
• 21日間隔の時間ボーリングで区切られた通話およびメッセージ活動の2チャネル時系列データを処理するLSTMモデルを適用し、時間的ダイナミクスを捉える。
• 個人 $ i $ がエゴに対して $ j $ より強い結束強度を持つ確率を表すペアワイズ比較確率 $ M_{ij} $ を計算する。ここで $ M_{ii} = 0.5 $ とする。
• 式2を用いて比較行列を勝ち/負け/引き分けのインジケータに変換し、式3を用いてBordaスコアを計算することで最終的なランク付けを生成する。
• Bordaカウントを式4に従って勝率に変換し、連続的かつ時間変動するエッジ重み（動的結束強度）を生成する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、動的SNSにおける通信メタデータから、連続的結束強度を正確に予測できるか？
• RQ2 頻度、最近性、継続時間、量といった異なる通信特徴は、進化する関係性強度の予測にどのように寄与するか？
• RQ3 通話およびメッセージ履歴などの時系列パターンは、静的特徴と比較して、結束強度予測をどの程度向上させるか？
• RQ4 予測された動的結束強度は、複数学期にわたって収集された基準アンケートデータと比較してどの程度一致するか？
• RQ5 提案されたフレームワークは、プラットフォーム固有の特徴に依存せず、大規模ネットワークにおけるスケーラブルでリアルタイムの関係性追跡を可能にするか？

主な発見

• 特にLSTMおよびアンサンブルモデルが、基準アンケートデータと密接に一致する連続的かつ時間変動する結束強度推定値を効果的に生成した。
• ボウ・トウ・オーバーラップを特徴量として含めるとモデル性能が著しく低下し、最終的なアンサンブルモデルから除外された。
• Borda順位付けベースのランキングシステムは、ノイズの多いペアワイズ比較を安定的かつ解釈可能な結束強度ランクに効果的に統合した。
• 勝率変換（式4）により、ネットワーク解析に適した滑らかで連続的な時系列の動的エッジ重みが得られた。
• モデルは、感情やコンテンツ分析を明示的に用いなくても、通信頻度、最近性、継続時間、量が進化する結束強度の強力な予測要因であることを示した。
• このフレームワークにより、関係性の強化、弱体化、あるいは停滞といったパターンを縦断的に観察可能となり、静的アンケートでは捉えきれない関係性の進化を明らかにした。