[論文レビュー] DecLiNe -- Models for Decay of Links in Networks

Julia Preusse, Jérôme Kunegis+2 more|arXiv (Cornell University)|Mar 18, 2014

Complex Network Analysis Techniques参考文献 23被引用数 6

ひとこと要約

DecLiNe は、リンク予測手法を逆転して適用することで、構造に基づいたアプローチによりネットワーク内のリンクの劣化を予測する。リンク予測の逆問題として、消滅する可能性の高いリンクを同定する。補完スコアや補完ネットワーク上の優先的接続といった新しい指標を導入し、ランダムベースラインよりも顕著に高い精度を達成したが、標準的なリンク予測に比べてリンク劣化予測は依然として困難である。

ABSTRACT

The prediction of graph evolution is an important and challenging problem in the analysis of networks and of the Web in particular. But while the appearance of new links is part of virtually every model of Web growth, the disappearance of links has received much less attention in the literature. To fill this gap, our approach DecLiNe (an acronym for DECay of LInks in NEtworks) aims to predict link decay in networks, based on structural analysis of corresponding graph models. In analogy to the link prediction problem, we show that analysis of graph structures can help to identify indicators for superfluous links under consideration of common network models. In doing so, we introduce novel metrics that denote the likelihood of certain links in social graphs to remain in the network, and combine them with state-of-the-art machine learning methods for predicting link decay. Our methods are independent of the underlying network type, and can be applied to such diverse networks as the Web, social networks and any other structure representable as a network, and can be easily combined with case-specific content analysis and adopted for a variety of social network mining, filtering and recommendation applications. In systematic evaluations with large-scale datasets of Wikipedia we show the practical feasibility of the proposed structure-based link decay prediction algorithms.

研究の動機と目的

• リンク生成に関する広範な研究がある一方で、ネットワークにおけるリンク劣化予測のための一般的で構造ベースの手法が不足しているという問題に取り組む。
• グラフの構造的性質が、「不要な」または劣化するリンクを特定するための不変指標として機能できるかどうかを調査する。
• Web やソーシャルメディア、ウィキペディアのような多様なネットワークに適用可能な、ドメインに依存しない汎用的手法を開発する。
• 構造的分析と機械学習を統合し、スパム検出、グラフ再編集、レコメンデーションシステムなどの応用を可能にする。
• 特にウィキペディアを含む大規模な実世界データセット上で、提案手法の実現可能性と性能を評価する。

提案手法

• 標準的なリンク予測手法を逆転して応用する：新規リンクの予測ではなく、既存リンクの劣化確率を予測する。
• 補完ネットワークアプローチを導入し、元のグラフの補完グラフに対してリンク予測を適用することで、低確率エッジを同定する。
• 補完スコアといった新たな劣化指標を定義し、構造的特徴に基づいてリンクの削除可能性を測定する。
• 補完ネットワーク上での優先的接続を主要な指標として用い、低次数ノード間のリンクが劣化しやすいと仮定する。
• 最新のリンク予測アルゴリズム（例：ジャカード係数、アダミック＝アダール係数）と構造的指標を組み合わせ、劣化予測の性能を向上させる。
• ネットワークの種別に依存せず独立して適用可能であり、ソーシャルネットワーク、Web グラフ、ウィキペディアのようなコンテンツネットワークに応用可能である。

実験結果

リサーチクエスチョン

• RQ1 ネットワークトポロジーの構造的分析は、ドメインに依存しない形でリンクの劣化をどれほど正確に予測できるか？
• RQ2 精度と難易度の観点から、リンク劣化予測の性能は標準的なリンク予測と比べてどの程度異なるか？
• RQ3 ノード次数、共通の隣接ノード、近傍部の重複度といった構造的特徴の中で、リンク削除を最も効果的に予測するのはどれか？
• RQ4 補完ネットワークアプローチは、密な結合成分やクリークに属さない「不要な」リンクを効果的に同定できるか？
• RQ5 リンク予測指標を劣化予測に逆転適用した場合、それぞれの性能はどのようになり、どの組み合わせが最良の結果をもたらすか？

主な発見

• 補完スコアと優先的接続の組み合わせが、リンク劣化予測において最高の精度を達成し、ランダムベースラインを上回った。
• リンク劣化予測は、標準的なリンク予測に比べて一般的に困難であり、精度値が低い（最高手法で約 0.6、リンク予測では約 0.85）ことから明らかになった。
• 発出ノードの特性（例：発出次数、発出近傍部）が最も予測に有用であり、「あなたがリンクする相手が、あなた自身を表す」という原則を支持した。
• 共通の隣接ノード数や近傍部の和集合は、リンク劣化の予測に強くないことが示され、構造的類似性だけでは弱い関係と誤った関係を区別できないことがわかった。
• 逆リンク予測手法は次数タイプに応じて高いばらつきを示し、発出次数を用いた場合、精度はわずかにランダムを上回る（発出次数）から 0.6 を超えるまで変動した。
• 補完ネットワーク手法は発出次数を用いた場合に最も優れた性能を示したが、全体として見ると、発出次数特徴を用いた逆手法が最も一貫性があり、正確な結果をもたらした。