[論文レビュー] Authority-based Team Discovery in Social Networks

Morteza Zihayat, Aijun An+3 more|arXiv (Cornell University)|Nov 8, 2016

Mobile Crowdsensing and Crowdsourcing被引用数 6

ひとこと要約

本稿は、ノードレベルの権威（例：hインデックス）とエッジベースの通信コストを統合することで、専門家ネットワークにおける権威に基づくチーム発見を提案する。通信コストと権威を組み合わせたNP困難な最適化問題を定式化し、ノード重みをエッジに移行する変換を導入。実世界のDBLPデータ上で、従来のコストのみを最適化する手法に比べて優れた性能を示すグリーディアルゴリズムを評価した結果、提案手法で上位のチームの78％がより高いランクの会議で発表された。

ABSTRACT

Given a social network of experts, we address the problem of discovering a team of experts that collectively holds a set of skills required to complete a given project. Most prior work ranks possible solutions by communication cost, represented by edge weights in the expert network. Our contribution is to take experts authority into account, represented by node weights. We formulate several problems that combine communication cost and authority, we prove that they are NP-hard, and we propose and experimentally evaluate greedy algorithms to solve them.

研究の動機と目的

• 従来のチーム形成手法が通信コストの最小化に限定されているという限界を是正するため、専門家の権威（例：hインデックス、論文数）をチーム選定に統合すること。
• 通信コスト、スキル保持者の権威、コネクタの権威を同時に最適化する新しいランク付けの目的関数を形式化すること。
• 提案された最適化問題がNP困難であることを証明し、ヒューリスティックな解決策の必要性を裏付けること。
• 通信コストと専門家権威のバランスを効果的にとるグリーディアルゴリズムを設計・評価すること。
• DBLPデータセットを用いた実証的検証により、実世界の出版結果におけるチームの質の向上を示すこと。

提案手法

• ノードがスキルセットと権威値を持つ無向専門家ネットワークにおける連結部分グラフ問題としてチーム発見を定式化する。
• 3つの最適化目的を導入：通信コスト（CC）の最小化、コネクタの権威（CA）の最大化、スキル保持者およびコネクタの権威の重み付き和と通信コストを組み合わせた統合スコア（SA-CA-CC）。
• ノード重み（権威）を持つ元のグラフGを、変換により権威をエッジ重みとして符号化した新しいグラフG'に変換する：c_iに接続するエッジについて、w'(e) = w(e) + 1/a(c_i) と定義する。
• G'上でグリーディアルゴリズムを適用し、変換が最適解の構造を保持することを活用して、通信コストと権威を同時に最適化する。
• 自動評価指標（例：SA-CA-CCスコア、論文発表会議のランク）と人間評価（大学院生を対象としたユーザースタディ）を組み合わせたハイブリッド評価フレームワークを採用する。
• λ（トレードオフパラメータ）を変化させた感度分析により、異なる権威-コストのバランスにおける結果の頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 通信コストに加えて専門家の権威を統合することで、コストのみ最適化する手法に比べて、発見された研究チームの質が向上するか？
• RQ2 メンターなどのコネクタの権威を含めることで、チームの質や出版結果にどのような影響を与えるか？
• RQ3 通信コストと権威の間のトレードオフパラメータλを変化させた場合、チーム構成とパフォーマンスにどのような影響があるか？
• RQ4 CC（通信コストのみ）やRandomと比較して、提案されたアルゴリズムは効率性と有効性においてどのように優れているか？
• RQ5 提案手法で発見されたチームが、コストのみ最適化する手法に比べて、どれほど高いランクの学術会議で発表されるか？

主な発見

• 提案されたSA-CA-CC手法は、計算的に非現実的であるため正確な解を求められない大規模プロジェクトにおいても、正確解に近いSA-CA-CCスコアを達成しており、優れた近似性能を示した。
• ユーザースタディでは、CA-CCおよびSA-CA-CCがCC手法を上回るトップ5精度を示し、人間評価者によりチームの質がより高いと評価された。
• 78％の確率で、SA-CA-CCで発見されたチームは2016年にCC手法で発見されたチームよりも高いランクの学術会議で発表された。
• 感度分析から、λを0.05未満で変更してもチームの質に顕著な影響がなく、異なる権威-コストのトレードオフにおいても頑健であることが示された。
• グリーディアルゴリズムは、通常のプロジェクトにおいて平均1秒未満の実行時間を達成しており、問題のNP困難性を考慮しても高い効率性を示した。
• 定性的分析により、SA-CA-CCはスキル保持者およびコネクタの平均hインデックスがより高いチームを返すことが確認され、強い専門家権威を有していることが示された。