[論文レビュー] Learning Social Circles in Ego Networks based on Multi-View Social Graphs

Chao Lan, Yuhao Yang+3 more|arXiv (Cornell University)|Jul 16, 2016

Complex Network Analysis Techniques参考文献 45被引用数 4

ひとこと要約

本稿では、Twitterから得られる6つの構造的ビュー（ユーザー関係、相互作用、コンテンツ）を用いてエゴネットワーク内のソーシャルサークルを検出する、修正されたマルチビュースペクトルクラスタリング手法を提案する。視覚的特徴に特化した情報伝達が、標準的なマルチビュークラスタリングに比べて、特にスパースで不完全な可能性のあるネットワークにおいて、より高いロバストネスを実現することを示しており、自動的および手動による評価で実証されている。

ABSTRACT

In social network analysis, automatic social circle detection in ego-networks is becoming a fundamental and important task, with many potential applications such as user privacy protection or interest group recommendation. So far, most studies have focused on addressing two questions, namely, how to detect overlapping circles and how to detect circles using a combination of network structure and network node attributes. This paper asks an orthogonal research question, that is, how to detect circles based on network structures that are (usually) described by multiple views? Our investigation begins with crawling ego-networks from Twitter and employing classic techniques to model their structures by six views, including user relationships, user interactions and user content. We then apply both standard and our modified multi-view spectral clustering techniques to detect social circles in these ego-networks. Based on extensive automatic and manual experimental evaluations, we deliver two major findings: first, multi-view clustering techniques perform better than common single-view clustering techniques, which only use one view or naively integrate all views for detection, second, the standard multi-view clustering technique is less robust than our modified technique, which selectively transfers information across views based on an assumption that sparse network structures are (potentially) incomplete. In particular, the second finding makes us believe a direct application of standard clustering on potentially incomplete networks may yield biased results. We lightly examine this issue in theory, where we derive an upper bound for such bias by integrating theories of spectral clustering and matrix perturbation, and discuss how it may be affected by several network characteristics.

研究の動機と目的

• ネットワーク構造が複数の、不完全な可能性のあるビューで表現される状況において、エゴネットワーク内のソーシャルサークルを検出する課題に対処すること。
• 全ビューを単純に統合するのではなく、視覚的信頼性とスパarsityに基づいて情報伝達を段階的に行うことで、スパースなエゴネットワークにおけるクラスタリングのロバストネスを向上させること。
• 標準的なマルチビュークラスタリング手法が、不完全またはスパースなネットワークデータに適用された際にバイアスを生じるかどうかを調査すること。

提案手法

• Twitterからクロールしたエゴネットワークを用い、ユーザー関係、相互作用、コンテンツの6つの異なるビューでその構造をモデル化した。
• 各ビュー固有の類似度行列を平均化して得られるコンSENSUSグラフを用いて、標準的なマルチビュースペクトルクラスタリングを適用した。
• 視覚的信頼性とスパarsityに基づいて、ビュー間で情報を選択的に伝達する、修正されたマルチビュースペクトルクラスタリング手法を提案した。
• 行列の摂動に基づく理論的解析を用いて、不完全なネットワーク構造がクラスタリングに与えるバイアスの上限を評価した。
• 多様なエゴネットワークにおける検出されたサークルの自動指標と手動ラベルを用いて、性能を評価した。
• スペクトルクラスタリングに、ビュー固有の重み調整を統合することで、スパースまたは不完全なビューに対するロバストネスを向上させた。

実験結果

リサーチクエスチョン

• RQ1 マルチビュークラスタリングは、エゴネットワーク内の重複するソーシャルサークルを検出する際、単一ビュークラスタリングに比べてどの程度優れているか？
• RQ2 全ビューを単純に統合するのではなく、視覚的信頼性に基づいて情報を選択的に伝達することで、クラスタリングのロバストネスが向上するか？
• RQ3 ネットワークのスパarsityと不完全性が、マルチビュー設定におけるクラスタリングバイアスに与える理論的影響は何か？
• RQ4 異なるネットワーク特性は、マルチビュークラスタリングにおけるバイアスの上界にどのように影響するか？

主な発見

• マルチビュークラスタリング手法は、エゴネットワーク内でのソーシャルサークル検出において、単一ビュー手法に比べて顕著に優れた性能を示した。
• 提案された修正マルチビュークラスタリング手法は、標準的なマルチビュークラスタリングに比べ、特にスパースで不完全なネットワーク構造において、より高いロバストネスを達成した。
• 行列摂動理論とスペクトルクラスタリングを用いた理論的解析により、標準的なマルチビュークラスタリングが不完全なネットワークに適用された際にバイアスを生じることが示された。
• 理論的バイアスの上界は、ネットワークのスパarsityが高くなるほど増加し、ビューの一貫性が高くなるほど低下することが判明した。これは、ビューの信頼性がバイアスの大きさに影響することを示している。