[論文レビュー] Interlayer link prediction in multiplex social networks: an iterative degree penalty algorithm

Rui Tang, Shuyu Jiang+4 more|arXiv (Cornell University)|Feb 6, 2020

Complex Network Analysis Techniques参考文献 79被引用数 4

ひとこと要約

本稿では、マルチプレックスソーシャルネットワークにおける層間リンク予測のための反復的次数ペナルティ（IDP）アルゴリズムを提案する。ネットワーク構造と次数ペナルティの原則を活用することで、マッチング精度を向上させる。隣接行列の乗算を用いて反復的に予測を精緻化し、接続数が少ない共通の近傍ノードを優先することで、IDPは特に平均次数が低く、ノードの重複率が低い状況下で、既存手法を著しく上回る。リcall率で最大36.6%、F1スコアで25.0%の向上を達成する。

ABSTRACT

Online social network (OSN) applications provide different experiences; for example, posting a short text on Twitter and sharing photographs on Instagram. Multiple OSNs constitute a multiplex network. For privacy protection and usage purposes, accounts belonging to the same user in different OSNs may have different usernames, photographs, and introductions. Interlayer link prediction in multiplex network aims at identifying whether the accounts in different OSNs belong to the same person, which can aid in tasks including cybercriminal behavior modeling and customer interest analysis. Many real-world OSNs exhibit a scale-free degree distribution; thus, neighbors with different degrees may exert different influences on the node matching degrees across different OSNs. We developed an iterative degree penalty (IDP) algorithm for interlayer link prediction in the multiplex network. First, we proposed a degree penalty principle that assigns a greater weight to a common matched neighbor with fewer connections. Second, we applied node adjacency matrix multiplication for efficiently obtaining the matching degree of all unmatched node pairs. Thereafter, we used the approved maximum value method to obtain the interlayer link prediction results from the matching degree matrix. Finally, the prediction results were inserted into the priori interlayer node pair set and the above processes were performed iteratively until all unmatched nodes in one layer were matched or all matching degrees of the unmatched node pairs were equal to 0. Experiments demonstrated that our advanced IDP algorithm significantly outperforms current network structure-based methods when the multiplex network average degree and node overlapping rate are low.

研究の動機と目的

• プライバシーまたは匿名性のためユーザーネームや属性が異なる場合でも、異なるオンラインソーシャルネットワーク（OSN）上でのユーザーアカウントが同一人物に属するかどうかを特定するという課題に対処すること。
• ネットワーク構造が主な情報源であるマルチプレックスネットワークにおいて、特に平均次数が低く、ノードの重複率が低い状況下で、層間リンク予測の精度を向上させること。
• 構造的類似性と次数に配慮した重み付けを活用して、クロスレイヤーのノード同士を効率的かつスケーラブルにマッチングする方法を開発すること。
• 予測されたリンクを反復的に統合することで、段階的に信頼性の高い予測を組み込むことにより、隠れた層間リンクを発見する反復的プロセスを構築すること。

提案手法

• 次数の少ない共通のマッチング済み近傍ノードに高い重みを付与する次数ペナルティの原則を提案する。これは、スケールフリーネットワークにおいて、その予測力が強力であることを反映している。
• ノードの隣接行列の乗算を用いて、一度の操作ですべての未マッチングノードペア間のマッチング度を効率的に計算する。
• 承認された最大値手法を適用して、マッチング度行列から最高スコアの層間リンク予測を抽出する。
• 予測されたリンクを事前セットに挿入し、再びマッチング度計算を実行する反復プロセスを採用する。これにより、すべての未マッチングノードがマッチングされたり、すべての次数がゼロになるまで繰り返す。
• マッチング度計算に次数ペナルティを統合し、共通のマッチング済み近傍ノードの数とその接続レベルの両方の影響を反映する。
• 実世界のネットワークを用いた自己マッチングマルチプレックスネットワーク構築戦略を採用し、制御された条件下で性能を評価する。

Figure 1: Example of representing relations across multiple OSNs using multiplex network. (a) Real scenario: There are two OSN applications. OSN α has six user accounts, while OSN β has 7. Each account exhibits certain connections with other accounts on the same OSN. In the red circle, three pairs o

実験結果

リサーチクエスチョン

• RQ1 平均次数とノードの重複率が低い状況下で、マルチプレックスソーシャルネットワークにおける層間リンク予測をどのように改善できるか？
• RQ2 近傍ノードの次数分布が、層間ノードマッチングにおける共通マッチング近傍ノードの信頼性に与える影響は何か？
• RQ3 段階的に信頼性の高い予測をマッチングプロセスに組み込むことで、反復的精緻化プロセスが予測精度を向上させられるか？
• RQ4 共通近傍ノードの重み付けに次数に配慮したアプローチを用いる場合、一様重み付けと比較して、層間リンク予測に与える影響は何か？
• RQ5 隣接行列の乗算を用いることで、スケーラブルな方法ですべての未マッチングノードペア間のマッチング度を効率的に計算できるか、その限界は何か？

主な発見

• IDPアルゴリズムは、テストされたすべての実世界ネットワークでFRUIベースラインを上回り、リcall率で最大36.6%、平均で7.0%の向上を達成した。
• 精度は最大19.0%、平均で3.8%向上し、予測されたリンクに対する信頼性が高まった。
• F1スコアは最大25.0%、平均で5.0%向上し、全体的な性能向上が一貫して確認された。
• IDPの性能向上は、平均次数が低く、ノードの重複率が低いネットワークで特に顕著であり、伝統的手法が苦戦する状況で顕著に現れた。
• リcall、精度、F1の向上割合は、$ p $ の増加に伴い最初は増加し、その後減少する傾向を示しており、ノイズレベルと非単調な関係にあることが示された。
• 高次数ノードがマッチング指標として信頼性が低いスケールフリーネットワーク構造において、予測スコアから高次数ノードをペナルティ処理することで、効果的に対処した。

Figure 2: Examples of interlayer link prediction with IDP. (a) A two-layer multiplex network with nine nodes in layer $\alpha$ and ten nodes in layer $\beta$ . All of the interlayer links and three of the interlayer links are provided, respectively. Now, we need to use the IDP algorithm to predict t