[論文レビュー] Maximizing Acceptance Probability for Active Friending in On-Line Social Networks

De-Nian Yang, Hui-Ju Hung+2 more|arXiv (Cornell University)|Feb 27, 2013

Complex Network Analysis Techniques参考文献 20被引用数 5

ひとこと要約

本論文は、中間的なつながりを通じてユーザーを戦略的に誘導することで、ソーシャルメディアのターゲットが友達リクエストを受け入れる確率を最大化する、画期的なアクティブフレンドリクエスト推薦システムを提案する。SITINAと呼ばれる多項式時間アルゴリズムを用い、木構造とインラインノード集約を活用して招待順序を最適化する。この手法は、ユーザースタディおよびFacebookとFlickrのデータを用いた実験により、受動的推薦やグリーディベースラインと比較して、受容確率と効率性の両面で顕著に優れていることが検証された。

ABSTRACT

Friending recommendation has successfully contributed to the explosive growth of on-line social networks. Most friending recommendation services today aim to support passive friending, where a user passively selects friending targets from the recommended candidates. In this paper, we advocate recommendation support for active friending, where a user actively specifies a friending target. To the best of our knowledge, a recommendation designed to provide guidance for a user to systematically approach his friending target, has not been explored in existing on-line social networking services. To maximize the probability that the friending target would accept an invitation from the user, we formulate a new optimization problem, namely, \emph{Acceptance Probability Maximization (APM)}, and develop a polynomial time algorithm, called \emph{Selective Invitation with Tree and In-Node Aggregation (SITINA)}, to find the optimal solution. We implement an active friending service with SITINA in Facebook to validate our idea. Our user study and experimental results manifest that SITINA outperforms manual selection and the baseline approach in solution quality efficiently.

研究の動機と目的

• アクティブフレンドリクエストにおいて、ユーザーが特定のターゲットと接続するために系統だった推薦支援が不足している問題に対処すること。
• 受容確率最大化（APM）問題を定式化し、ターゲットが受け入れる確率を最大化する招待順序を最適化すること。
• プライバシー制約を守りながら、最適な招待経路を計算できる、効率的で多項式時間のアルゴリズム（SITINA）を設計・実装すること。
• FacebookおよびFlickrのデータセットを用いたユーザースタディと実世界の実験を通じて、提案手法の有効性を検証し、ベースライン手法と比較して優れたパフォーマンスを示すこと。

提案手法

• SITINAアルゴリズムは、ソーシャルネットワークのトポロジカル情報を利用して、イニシエータからターゲットへの潜在的招待経路の木を構築する。
• インラインノード集約を用い、社会的影響力と同質性要因に基づいて、各候補ノードの期待受容確率を計算・伝搬する。
• 社会的影響力と同質性を、現実のネットワークダイナミクスを反映するパrameter α を用いた歪んだ分布でモデル化する。
• ターゲットへの累積受容確率を最大化する経路を優先し、最適な中間フレンドの招待順序を選択する。
• イニシエータとターゲットの関係を直接暴露しないように、友達の友達に限って推薦することでプライバシーを確保する。
• アルゴリズムはFacebookで実装され、実際のユーザーデータとユーザースタディのフィードバックを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルネットワークサービスは、特定のターゲットに対してアクティブにフレンドリクエストを行う際、どのようにして受容確率を体系的かつ一貫して高めることができるか？
• RQ2 社会的影響力と同質性の影響を考慮した場合、ターゲットの受容確率を最大化するために最適な中間接続候補を選択するアルゴリズム的手法は何か？
• RQ3 SITINAアルゴリズムの性能は、グリーディ法や手動選択戦略と比較して、受容確率および招待効率の観点でどのように異なるか？
• RQ4 友達数（N）、ターゲットまでの距離（d_s,t）、分布の歪み度（α）といったネットワークパラメータは、アクティブフレンドリクエストの成功にどのように影響するか？
• RQ5 SITINAアルゴリズムは、現実のソーシャルネットワークにおける社会的影響力と同質性の歪んだ分布を効果的に処理できるか？

主な発見

• SITINAは、特に歪んだ社会的影響力分布（α > 1）の下で、グリーディベースライン（RG）を顕著に上回り、αが高くなるほど性能差が拡大する。
• イニシエータの友達数（N）が増えるほど受容確率が上昇する傾向があり、SITINAは全Nレベルで高いパフォーマンスを維持する。
• SITINAはRGよりも短い招待経路を達成しており、解木における最長パス長の短縮により、ターゲットへの収束が速いことが裏付けられた。
• FacebookData（米国）およびFlickrData（米国）の両データセットで、リンク重みモデル（ユーザースタディおよびZipf分布）に関わらず、一貫した高いパフォーマンスを発揮した。
• r_R（招待予算）を変化させた実験では、SITINAはすべての設定で高い受容確率を維持したが、RGは最適でない局所的選択により性能が低下した。
• ユーザースタディの結果、SITINAの推薦は手動選択や標準的な受動的推薦と比較して、より効果的で体系的であると認識された。