[論文レビュー] Modeling Social Networks with Node Attributes using the Multiplicative Attribute Graph Model

Myunghwan Kim, Jure Leskovec|arXiv (Cornell University)|Jun 24, 2011

Complex Network Analysis Techniques参考文献 20被引用数 51

ひとこと要約

本稿では、ノード間のエッジ確率をノード間の属性固有の親和性の積としてモデル化することにより、ネットワーク構造を捉えるMultiplicative Attribute Graph (MAG)モデルを提案する。スケーラブルな変分期待最大化法（MagFit）を用いることで、実世界のネットワークへのフィッティングにおいてロジスティック回帰や最先端手法を上回り、年齢、GPA、コース履修など、カテゴリカル属性における同質性（ホモフィリー）と異質性（ヘテロフィリー）の洞察を明らかにする。

ABSTRACT

Networks arising from social, technological and natural domains exhibit rich connectivity patterns and nodes in such networks are often labeled with attributes or features. We address the question of modeling the structure of networks where nodes have attribute information. We present a Multiplicative Attribute Graph (MAG) model that considers nodes with categorical attributes and models the probability of an edge as the product of individual attribute link formation affinities. We develop a scalable variational expectation maximization parameter estimation method. Experiments show that MAG model reliably captures network connectivity as well as provides insights into how different attributes shape the network structure.

研究の動機と目的

• ノードがカテゴリカル属性を持つ社会的ネットワークをモデル化し、エッジ形成が属性に基づく親和性に依存することを目的とする。
• 構造的パターンと属性駆動型リンク形成を両方捉える統計的に意味のあるかつ解析的に取り扱いやすいネットワークモデルを構築すること。
• 属性情報を有する大規模な実世界ネットワークを処理できるスケーラブルなパラメータ推定手法を開発すること。
• GPA やコース履修など、異なる属性がネットワーク接続性にどのように影響するかを解釈可能な洞察として提供すること。

提案手法

• MAGモデルは、ノード i と j 間のエッジ確率を、親和性行列の要素の積として定義する：$ p_{ij} = \prod_{l=1}^{L} \Theta_l[F_{il}, F_{jl}] $、ここで $ \Theta_l $ は属性固有のリンク形成親和性を符号化する。
• 各属性 l に対して親和性行列 $ \Theta_l $ を持ち、要素 $ \Theta_l[k,k'] $ は、最初のノードが属性値 k で、2番目のノードが k' を持つ場合のリンク確率を示す。
• パラメータを効率的に推定するため、スケーラビリティを実現するために変分期待最大化（VEM）フレームワークを採用する。
• パラメータ推定は最尤推定問題として定式化され、適合性の向上を図るため、潜在的属性が前向き選択法により導入される。
• 観測済み属性と潜在的属性の両方を組み込み、前向き選択法により最も情報の多い属性の組み合わせを同定する。
• モデルの評価には対数尤度（LL）とTotal Prediction Index（TPI）を用い、ランダムな属性選択とロジスティック回帰との性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 ノードがカテゴリカル属性に関連付けられる場合、どのようにしてネットワーク構造をモデル化できるか？
• RQ2 属性の親和性は、実世界のソーシャルネットワークにおける観察されたネットワーク接続パターンをどの程度説明できるか？
• RQ3 ノード属性を統合するネットワークモデルにおけるパラメータ推定のためのスケーラブルで統計的に妥当な手法を開発できるか？
• RQ4 実際のソーシャルネットワークにおいて、ホモフィリーとヘテロフィリーは異なる属性でどのように現れるか？
• RQ5 観測済み属性と潜在的属性の両方が、ネットワーク構造予測の向上に果たす相対的な貢献度は何か？

主な発見

• MAGモデルはロジスティック回帰を著しく上回り、R7ベースライン下でL2誤差が50%改善され、コルモゴロフ・スミルノフ（KS）統計量も23%改善された。
• 7つの潜在的属性（L7）を用いたモデルは、ランダムな属性選択（R7）と比較してTotal Prediction Index（TPI）で10倍の改善を示し、TPIは10.0対1.0を記録した。
• 前向き選択法（F7）は、学年、数学レベル、GPA、AP/IB英語、外国語コースなど、すべてが強いホモフィリー効果を示す属性を選択した。
• 親和性行列から、同じ学年に属する学生（特に1年生・2年生）同士のリンク確率は0.999に達し、強いホモフィリーが示された。一方、上位学年同士のリンク確率は0.572であり、依然として高いが、それほど強くはない。
• AP/IB英語を履修した学生同士は非常に高いリンク確率（親和性0.999）を示したが、非履修者同士のリンクも比較的よく見られ（0.352）、中程度のホモフィリーが示された。
• 外国語コースの履修数は友人関係形成にほとんど影響を及ぼさず、親和性値は約0.4に留まり、ネットワーク構造への影響は弱いことが示された。