[論文レビュー] Learning Mixed Membership Community Models in Social Tagging Networks through Tensor Methods

Anima Anandkumar, Hanie Sedghi|arXiv (Cornell University)|Mar 16, 2015

Tensor decomposition and applications被引用数 8

ひとこと要約

本稿では、社会的タグ付けネットワーク（フォルクソノミー）における混合メンバーシップコミュニティの保証付き学習のためのテンソル分解ベースの手法を提案する。ユーザー・タグ・リソースのハイパーエッジを確率的混合メンバーシップスチュアティック・フォルクソノミー（MMSF）モデルでモデル化する。効率的な標本複雑性と分離条件の下で一貫性を確立し、重複する、文脈依存のタグ付けシステムにおけるスケーラブルで理論的裏付けのあるコミュニティ検出を可能にする。

ABSTRACT

Community detection in graphs has been extensively studied both in theory and in applications. However, detecting communities in hypergraphs is more challenging. In this paper, we propose a tensor decomposition approach for guaranteed learning of communities in a special class of hypergraphs modeling social tagging systems or folksonomies. A folksonomy is a tripartite 3-uniform hypergraph consisting of (user, tag, resource) hyperedges. We posit a probabilistic mixed membership community model, and prove that the tensor method consistently learns the communities under efficient sample complexity and separation requirements.

研究の動機と目的

• 重複するコミュニティ検出の課題に取り組むこと。これは、ユーザー、タグ、リソースが複数のコミュニティに属する社会的タグ付けシステムにおいて顕著である。
• 混合メンバーシップと文脈依存のタグ付け行動を捉える統計的に裏付けられたスケーラブルなフォルクソノミー用モデルを開発すること。
• テンソル分解を用いたハイパーグラフにおけるコミュニティ学習の理論的保証を提供することにより、従来のヒューリスティック的またはディリクレ分布構造に基づく手法の限界を克服すること。
• コミュニティメンバーシップにおけるディリクレ仮定を緩和し、一般分布を許容することで、混合メンバーシップにおける相関関係を捉えること。
• ハイパーエッジ生成における条件付き独立性を活用し、限られた実際的データから一貫性のある学習を可能にすること。

提案手法

• ユーザー、タグ、リソースの三部グラフとしての3-一様ハイパーグラフを対象とする、混合メンバーシップスチュアティック・フォルクソノミー（MMSF）モデルを提案。これはMMSBモデルの拡張である。
• 条件付き独立性を課す：コミュニティメンバーシップが与えられた下で、ハイパーエッジ生成はノード間で独立であり、タグ選択はリソースアクセスの文脈に依存する。
• 観測されたハイパーエッジから構築された3次テンソル（高次モーメントテンソル）を用いてコミュニティ構造を捉え、スペクトル分解を可能にする。
• MMSFモデルの特徴的な構造を活用して、テンソル分解技術を用いてコミュニティメンバーシップと相互作用パターンを推定する。
• メンバーーシップ分布に弱い仮定しかおかない状況でも、モーメント推定の集中を制御するために、サブ指数的ハンソン＝ハワードおよびベクトル型ベルンシュタイン不等式を用いる。
• 部分空間推定の摂動をバウンドするためにデイヴィス＝カハン不等式を用い、標本ノイズに対してロバストであることを保証する。

実験結果

リサーチクエスチョン

• RQ1 テンソル手法を用いて、理論的保証のもとで社会的タグ付けネットワークにおける混合メンバーシップコミュニティを学習できるか？
• RQ2 （例：ユーザーが特定の文脈でリソースにアクセスするなど）文脈的タグ付け行動を組み込むことで、標準モデルに比べてコミュニティ検出性能がどのように向上するか？
• RQ3 提案されたMMSFモデルにおいて、一貫性のある学習を達成するために必要な標本複雑性と分離条件は何か？
• RQ4 ディリクレ分布に従わないメンバーシップを仮定しても、この手法はコミュニティを学習できるか？これにより、相関のあるコミュニティメンバーシップのモデル化が可能になる。
• RQ5 3-一様ハイパーグラフにおけるハイパーエッジは、標準グラフにおけるエッジに比べて、なぜコミュニティ検出においてより情報量が多い信号を提供するのか？

主な発見

• 提案されたテンソル手法は、効率的な標本複雑性と弱い分離条件の下で、MMSFモデルにおいて混合メンバーシップコミュニティの一致した学習を達成する。
• コミュニティメンバーシップがディリクレ分布に従わない場合でも理論的保証が得られ、一般の相関構造のモデル化が可能になる。
• 3次テンソル（高次元）の使用により、一意な分解と一貫性のある推定が可能となり、非ディリクレ設定におけるTucker形式テンソルの問題を克服する。
• リソースへのアクセスの文脈に応じてタグ選択が変化する文脈的タグ付け行動をモデルが活用することで、コミュニティ信号が強化され、識別性が向上する。
• 理論的解析により、フォルクソノミー・モデルにおけるハイパーエッジが、複数のノードの視点を提供するため、コミュニティ検出においてグラフエッジよりもより情報量が多いことが示された。
• サブ指数的ハンソン＝ハワードおよびベクトル型ベルンシュタイン不等式を用いた実証的バウンドにより、標本ノイズに対するロバスト性とモーメント推定の集中が保証される。