[論文レビュー] Integrating Structured Metadata with Relational Affinity Propagation

Anon Plangprasopchok, Kristina Lerman+1 more|arXiv (Cornell University)|May 26, 2010

Data Management and Algorithms参考文献 11被引用数 3

ひとこと要約

本稿では、構造的制約を統合した構造的メタデータを備えたアフィニティプロパゲーションの拡張版である関係的アフィニティプロパゲーション（RAP）を提案する。この手法は、ソーシャルメディアデータ内の多数の浅い個人用分類木（サピング）から、より深く、密で一貫性のある分類体系を推定することを目的としている。RAPは、ループや複数の経路といった構造的不整合を低減することで、標準的なアフィニティプロパゲーションを上回り、実世界のFlickrデータにおいて顕著に高いネット類似度とより良い木の密度を達成している。

ABSTRACT

Structured and semi-structured data describing entities, taxonomies and ontologies appears in many domains. There is a huge interest in integrating structured information from multiple sources; however integrating structured data to infer complex common structures is a difficult task because the integration must aggregate similar structures while avoiding structural inconsistencies that may appear when the data is combined. In this work, we study the integration of structured social metadata: shallow personal hierarchies specified by many individual users on the SocialWeb, and focus on inferring a collection of integrated, consistent taxonomies. We frame this task as an optimization problem with structural constraints. We propose a new inference algorithm, which we refer to as Relational Affinity Propagation (RAP) that extends affinity propagation (Frey and Dueck 2007) by introducing structural constraints. We validate the approach on a real-world social media dataset, collected from the photosharing website Flickr. Our empirical results show that our proposed approach is able to construct deeper and denser structures compared to an approach using only the standard affinity propagation algorithm.

研究の動機と目的

• ソーシャルメディアから得られるノイズが多く、多様性に富み、浅い個人用分類木（サピング）を統合し、一貫性があり、より深い分類体系を構築する課題に対処すること。
• 標準的なアフィニティプロパゲーションで生じる、類似名のノードを単純にマージすることで発生する、ループや複数経路といった構造的不整合を克服すること。
• 類似度と構造的妥当性の両方を同時に最適化する手法を開発し、得られる分類体系が意味的に整合的かつトポロジカルに整合性を持つようにすること。
• 具体的にはFlickrユーザーが生成したアノテーションを含む実世界のソーシャルメディアデータを用いて、このアプローチの実用的有効性を検証すること。

提案手法

• RAPは、ノード間にループや複数経路が生じる構造をペナルティ化する構造的制約を組み込むことで、標準的なアフィニティプロパゲーションを拡張する。
• アルゴリズムは、ノード名と関連タグに基づく類似度関数を用いて、サピングノード間の類似度を測定する。
• 最適化目的関数に制約項を導入し、無効な木構造を生成するノードのマージを抑制し、木構造の出力を優遇する。
• ノード間でのメッセージパッシングを実行し、責任値と可用性値を反復的に更新する。この際、構造的制約が妥当な代表ノード（エキジンプラー）への収束を促進する。
• RAPは、類似ノードのクラスタを最もよく代表する代表ノード（エキジンプラー）を選択することで、エキジンプラーに基づく木構造の集合を導出する。
• アルゴリズムは、ネット類似度と木の下側面積（AUT）の両方を最適化し、コミュニティ全体の概念的把握を反映するより深い・より密な分類体系を優遇する。

実験結果

リサーチクエスチョン

• RQ1 構造的制約をアフィニティプロパゲーションに効果的に統合することで、希薄で浅いユーザー生成分類木からの分類体系の質を向上させることができるか？
• RQ2 実世界のソーシャルメディアデータから分類体系を構築する際、RAPは標準的なアフィニティプロパゲーションと比較して、ネット類似度と構造的整合性の点でどのように異なるか？
• RQ3 RAPは、ベースライン手法と比較して、ループや複数経路といった構造的アーチファクトをどの程度低減するか？
• RQ4 標準的なアフィニティプロパゲーションと比較して、RAPは面積下部木（AUT）で測定した場合、より密で完成度の高い分類体系を生成するか？
• RQ5 入力データがノイズが多く不整合がある場合でも、RAPは類似ノードを一貫性があり意味のある木構造に効果的にクラスタリングできるか？

主な発見

• RAPは、15のすべてのシードセットで標準的なアフィニティプロパゲーションを上回る顕著な高いネット類似度を達成しており、『アフリカ』や『イギリス』といったトピックでは20％から100％以上の改善が見られた。
• 木の密度の観点では、15件中10件でRAPがより高い木の下側面積（AUT）を達成しており、特に『アフリカ』（103 vs. 55）と『イギリス』（673.5 vs. 633）で顕著な改善が確認された。
• 手動での検証により、RAPは標準APのよくある失敗モードである「木の破片化（孤立した単一ノードへの分解）」を回避し、類似ノードを一貫性のある部分木に統合していることが確認された。
• 『哺乳類』カテゴリでは、RAPのネット類似度は117.25、APは97.86であり、複雑なケースにおいても一貫した改善が得られた。
• RAPは構造的制約を保持することで、より密で深い分類体系を構築でき、標準APよりも意味的に意味的で一貫性のある階層を生成した。