[論文レビュー] Friendship Prediction in Composite Social Networks

Erheng Zhong, Evan Wei Xiang+3 more|arXiv (Cornell University)|Feb 17, 2014

Complex Network Analysis Techniques参考文献 35被引用数 10

ひとこと要約

本稿では、複数の複合ネットワークにまたがる重複ユーザーを活用することで、スパースなソーシャルネットワークにおけるフレンドシップ予測を行う階層ベイジアンモデルComFPを提案する。適応的でユーザー固有の事前分布とネットワーク固有の事前分布を組み合わせることで、共有されるソーシャル関心を捉えつつ、ネットワークの違いを考慮し、9つの実世界データセットにおいて最先端のベースラインを上回る、最大0.11のMAP向上を達成した。

ABSTRACT

Friendship prediction is an important task in social network analysis (SNA). It can help users identify friends and improve their level of activity. Most previous approaches predict users' friendship based on their historical records, such as their existing friendship, social interactions, etc. However, in reality, most users have limited friends in a single network, and the data can be very sparse. The sparsity problem causes existing methods to overfit the rare observations and suffer from serious performance degradation. This is particularly true when a new social network just starts to form. We observe that many of today's social networks are composite in nature, where people are often engaged in multiple networks. In addition, users' friendships are always correlated, for example, they are both friends on Facebook and Google+. Thus, by considering those overlapping users as the bridge, the friendship knowledge in other networks can help predict their friendships in the current network. This can be achieved by exploiting the knowledge in different networks in a collective manner. However, as each individual network has its own properties that can be incompatible and inconsistent with other networks, the naive merging of all networks into a single one may not work well. The proposed solution is to extract the common behaviors between different networks via a hierarchical Bayesian model. It captures the common knowledge across networks, while avoiding negative impacts due to network differences. Empirical studies demonstrate that the proposed approach improves the mean average precision of friendship prediction over state-of-the-art baselines on nine real-world social networking datasets significantly.

研究の動機と目的

• 単一ネットワークにおけるフレンドシップ予測のデータスパarsity問題、特に新規またはスパースなソーシャルネットワークにおいて解決を図ること。
• 複数のソーシャルネットワークにまたがる重複ユーザーを活用し、有益なフレンドシップ知識を転送する。
• ネットワーク間で共有されるソーシャル関心をモデル化するとともに、ネットワーク固有の構造的差異を保持すること。
• 単純なマージを避け、異種のネットワーク特性を統合できるスケーラブルで柔軟なフレームワークを開発すること。
• 原理的かつ確率論的な方法で複数のネットワークからの補助的知識を統合し、予測精度を向上させること。

提案手法

• ComFPは、2種類の事前分布を用いる階層ベイジアンモデルである。1つはすべてのネットワークにまたがるグローバルなソーシャル関心を捉える適応的かつユーザー固有の事前分布であり、もう1つは各ネットワーク固有の構造的特性をモデル化するネットワーク固有の事前分布である。
• モデルは混合所属を用いて、ユーザーをコミュニティの確率的組み合わせとして表現し、リンク確率はコミュニティ所属とコミュニティ間関係によって決定される。
• 補助的知識の他ネットワークからの影響と、ターゲットネットワークの独自の特徴の両立を図るため、ハイブリッド事前分布が導入されている。
• 推論プロセスでは変分ベイジアン手法を用いて潜在変数、コミュニティ所属、モデルパラメータを推定し、大規模データセットにおけるスケーラブルな学習を可能にしている。
• このフレームワークは任意の数のネットワークをサポートし、ネットワーク密度や構造的差異に基づいて動的に事前分布を調整する。
• モデルは拡張性を考慮して設計されており、マップ/リダスのような分散システム上での大規模な展開が可能である。

実験結果

リサーチクエスチョン

• RQ1 複数のソーシャルネットワークにまたがる重複ユーザーは、スパースなネットワークにおけるフレンドシップ予測の向上に有効に活用できるか。
• RQ2 ネットワーク固有の構造的差異の悪影響を最小限に抑えるとともに、複数のネットワークから共有されるソーシャル知識をどのように抽出できるか。
• RQ3 適応的ユーザー事前分布とネットワーク固有の事前分布を併用することで、単一ネットワークモデルと比較して予測性能がどの程度向上するか。
• RQ4 混合所属を備えた階層ベイジアンモデルは、複合ネットワーク全体にまたがるコミュニティレベルのソーシャル関心を効果的に捉えることができるか。
• RQ5 提案手法は、密度や構造が異なる多様な実世界のソーシャルネットワークデータセットにおいて、どのようにスケーリングされ、性能を発揮するか。

主な発見

• ComFPは、9つの実世界のソーシャルネットワークデータセットにおいて、フレンドシップ予測の平均平均精度（MAP）を顕著に向上させ、最先端のベースラインを最大0.11のMAP向上で上回った。
• 個々のネットワークがスパースであっても、重複ユーザーを通じて補助ネットワークから知識を転送することで、データスパarsityを効果的に緩和した。
• 適応的ユーザー事前分布とネットワーク固有の事前分布を用いることで、共有されるソーシャル関心とネットワーク固有の構造的特徴を両方捉えることができ、予測精度が向上した。
• 実験結果から、ネットワークの差異を無視する方法や、すべての関係を同等に扱う方法よりも、ComFPが一貫して優れた性能を示した。
• このフレームワークは多様なネットワークタイプに対して頑健であり、ネットワーク密度やコミュニティ構造が著しく変化しても高い性能を維持した。