[論文レビュー] Feature Engineering for Supervised Link Prediction on Dynamic Social Networks

Jeyanthi Narasimhan, Lawrence B. Holder|arXiv (Cornell University)|Oct 7, 2014

Complex Network Analysis Techniques参考文献 16被引用数 6

ひとこと要約

本論文は、ドメイン固有の特徴とトポロジカル特徴を組み合わせ、制約のないエッジ選択を適用することで、動的ソーシャルネットワークにおける教師ありリンク予測のための2段階フレームワークを提案している。汎用の2クラス分類器を用いた実世界の共同作業ネットワークにおける評価を通じて、予測性能の向上を示している。

ABSTRACT

Link prediction is an important network science problem in many domains such as social networks, chem/bio-informatics, etc. Most of these networks are dynamic in nature with patterns evolving over time. In such cases, it is necessary to incorporate time in the mining process in a seamless manner to aid in better prediction performance. We propose a two-step solution strategy to the link prediction problem in dynamic networks in this work. The first step involves a novel yet simple feature construction approach using a combination of domain and topological attributes of the graph. In the second phase, we perform unconstrained edge selection to identify potential candidates for prediction by any generic two-class learner. We design various experiments on a real world collaboration network and show the effectiveness of our approach.

研究の動機と目的

• ネットワーク構造が時間とともに変化する動的ソーシャルネットワークにおけるリンク予測の課題に取り組む。
• 時間的ダイナミクスを特徴工学に統合することで、教師あり学習の予測精度を向上させる。
• 任意の汎用2クラス分類器と互換性を持つ柔軟なフレームワークを構築する。
• 実世界の共同作業ネットワークを用いて、実用的状況下での有効性を検証する。

提案手法

• ドメイン固有の属性（例：共同作業履歴）とグラフのトポロジカル特性（例：共通の隣接ノード、ジャカード係数）を組み合わせた包括的な特徴セットを構築する。
• 時間的情報を特徴構築に統合し、時間の経過に伴うネットワークパターンの変化を反映させる。
• 予測のための候補エッジを特定するために制約のないエッジ選択を適用し、事前の仮定なしに探索空間を縮小する。
• 設計された特徴と選択された候補を、汎用の2クラス分類器に供給してリンク予測を実行する。
• 実世界の共同作業ネットワークをテストベッドとして用い、現実の動的条件下でのフレームワークの評価を実施する。
• 時間の統合を特徴工学パイプラインにスムーズに組み込み、時間的進化のモデリングを支援する。

実験結果

リサーチクエスチョン

• RQ1 動的ソーシャルネットワークにおける時間的ダイナミクスは、リンク予測のための特徴工学にどのように効果的に反映できるか？
• RQ2 ドメイン固有特徴とトポロジカル特徴を組み合わせることで、リンク予測性能はどの程度向上するか？
• RQ3 制約のないエッジ選択は、動的ネットワーク環境下で予測の効率性と正確性を向上させることができるか？
• RQ4 提案フレームワークは、ベースライン手法と比較して、実世界の共同作業ネットワークにおいてどの程度の性能を示すか？

主な発見

• 時間的特徴の統合により、静的特徴セットと比較してリンク予測性能が顕著に向上した。
• ドメイン特徴とトポロジカル特徴の組み合わせにより、より強固で情報量の多い表現が得られた。
• 制約のないエッジ選択は、高い予測正確性を維持したまま、候補空間を効果的に削減した。
• 実世界の共同作業ネットワークにおいて、本フレームワークは優れた性能を示し、実用的妥当性を裏付けた。
• 本アプローチは任意の汎用2クラス分類器と互換性があり、データセット間での柔軟性と一般化性能を高めた。