[論文レビュー] Inferring User Preferences by Probabilistic Logical Reasoning over Social Networks

Jiwei Li, Alan Ritter+1 more|arXiv (Cornell University)|Nov 11, 2014

Data Management and Algorithms参考文献 87被引用数 14

ひとこと要約

本稿では、抽出された属性および関係に関する確率的論理的推論を用いて、ソーシャルネットワーク上のユーザーの好みを推定する二段階フレームワークを提案する。Twitterのテキストからユーザー属性（例：場所、職業、配偶者）および好みを抽出するために、遠隔教師あり学習、半教師ありデータハーベスティング、ベクトル空間モデルを組み合わせ、その後、マルコフ論理ネットワーク（MLN）および確率的ソフト論理（PSL）を用いて関係的推論を実行し、好み予測においてFスコア0.791を達成した。これは強力なベースラインを著しく上回った。

ABSTRACT

We propose a framework for inferring the latent attitudes or preferences of users by performing probabilistic first-order logical reasoning over the social network graph. Our method answers questions about Twitter users like {\em Does this user like sushi?} or {\em Is this user a New York Knicks fan?} by building a probabilistic model that reasons over user attributes (the user's location or gender) and the social network (the user's friends and spouse), via inferences like homophily (I am more likely to like sushi if spouse or friends like sushi, I am more likely to like the Knicks if I live in New York). The algorithm uses distant supervision, semi-supervised data harvesting and vector space models to extract user attributes (e.g. spouse, education, location) and preferences (likes and dislikes) from text. The extracted propositions are then fed into a probabilistic reasoner (we investigate both Markov Logic and Probabilistic Soft Logic). Our experiments show that probabilistic logical reasoning significantly improves the performance on attribute and relation extraction, and also achieves an F-score of 0.791 at predicting a users likes or dislikes, significantly better than two strong baselines.

研究の動機と目的

• Twitterのようなプラットフォームにおいて、明示的なデータが不足または欠落している状況で、潜在的なユーザーの好みを推定する課題に対処すること。
• テキストマイニングとソーシャルネットワーク上の関係的推論を組み合わせることで、属性および関係抽出のカバレッジを向上させること。
• ヒモロジーおよびソーシャルネットワーク構造を活用して、確率的第一階論理を用いてユーザーの好みをモデル化すること。
• 関係的推論フレームワーク（マルコフ論理ネットワークおよび確率的ソフト論理）がユーザーの好みおよび属性を予測する有効性を評価すること。
• 確率的論理的推論を統合することで、ベースライン手法に比べて予測性能が著しく向上することを示すこと。

提案手法

• 遠隔教師あり学習および半教師ありデータハーベスティングを用いて、Twitterのテキストからユーザー属性（例：職業、教育、配偶者）および好み（例：好む／嫌う）を抽出する。
• ベクトル空間モデルを適用して、属性および関係抽出のためのユーザー投稿の表現および分類を実施する。
• 第一階論理述語（例：Work-in-IT-company(A) ⇒ like-electronic-device と確率0.242）の確率的知識ベースを構築する。
• 抽出された事実のネットワーク上で、マルコフ論理ネットワーク（MLN）および確率的ソフト論理（PSL）を用いてグローバルな確率的推論を実行する。
• ユーザーが類似した属性または社会的つながりを持つ場合、好みを共有する傾向があるというヒモロジーの原則を活用し、関係的推論を支援する。
• ユーザー属性、社会的関係（友人、配偶者）、および文脈的特徴からの証拠を統合して、潜在的な好みおよび属性を予測する。

実験結果

リサーチクエスチョン

• RQ1 明示的な好みデータが入手できない状況において、確率的論理的推論はユーザーの好み予測の正確性を向上させることができるか？
• RQ2 テキストマイニングと関係的推論をハイブリッド的に組み合わせることで、非構造化ソーシャルメディアテキストからユーザー属性および関係をどの程度正確に推定できるか？
• RQ3 マルコフ論理ネットワークおよび確率的ソフト論理は、ソーシャルネットワークに基づく好み推定をどの程度効果的にモデル化できるか？
• RQ4 社会的つながりを通じてヒモロジー効果を組み込むことで、予測性能が著しく向上するか？
• RQ5 本フレームワークは、場所、性別、職業といった多様なユーザー属性および、寿司が好きなこと、Knicksのファンであるといった好みに対しても汎用性を示せるか？

主な発見

• 本フレームワークは、ユーザーの好む／嫌う行動の予測においてFスコア0.791を達成し、2つの強力なベースラインを著しく上回った。
• ソーシャルネットワーク上の確率的論理的推論は、属性および関係抽出の両タスクにおいて性能向上をもたらした。
• テキストベースの属性抽出と関係的推論を統合することで、単独での抽出に比べてカバレッジと正確性が向上した。
• ヒモロジーを関係的インダクティブバイアスとして活用することで、明示的プロフィールが疎であるユーザーの推論品質が向上した。
• 性別、教育、場所、関係予測を含む、複数の予測タスクにわたって本フレームワークは汎用性を示した。
• 明示的な言及が疎であるため再現率に限界があるものの、論理的伝搬により潜在的な属性および好みを効果的に推定できた。