[論文レビュー] Multi-Scale Link Prediction

Donghyuk Shin, Si Si+1 more|arXiv (Cornell University)|Jun 8, 2012

Complex Network Analysis Techniques参考文献 21被引用数 4

ひとこと要約

本稿では、100万ノードを超える大規模なソーシャルネットワークにおけるスケーラブルで正確なリンク予測のためのフレームワークであるマルチスケールリンク予測（MSLP）を提案する。MSLPは、ツリー構造をとる部分空間近似を用いて、階層的な複数スケールでネットワークの低ランク近似を構築し、スケール間で予測を統合することで、耐性と性能を向上させる。実世界のデータセットにおいて、最先端の結果を達成している。

ABSTRACT

The automated analysis of social networks has become an important problem due to the proliferation of social networks, such as LiveJournal, Flickr and Facebook. The scale of these social networks is massive and continues to grow rapidly. An important problem in social network analysis is proximity estimation that infers the closeness of different users. Link prediction, in turn, is an important application of proximity estimation. However, many methods for computing proximity measures have high computational complexity and are thus prohibitive for large-scale link prediction problems. One way to address this problem is to estimate proximity measures via low-rank approximation. However, a single low-rank approximation may not be sufficient to represent the behavior of the entire network. In this paper, we propose Multi-Scale Link Prediction (MSLP), a framework for link prediction, which can handle massive networks. The basis idea of MSLP is to construct low rank approximations of the network at multiple scales in an efficient manner. Based on this approach, MSLP combines predictions at multiple scales to make robust and accurate predictions. Experimental results on real-life datasets with more than a million nodes show the superior performance and scalability of our method.

研究の動機と目的

• 大規模なソーシャルネットワークにおける近接度ベースのリンク予測の高い計算複雑性に対処すること。
• 単一スケールの低ランク近似の限界を克服すること。これは、グローバルまたはローカルなネットワーク構造を効果的に捉えられない可能性があるため。
• 複数の粒度のネットワークビューを統合できる柔軟でスケーラブルなフレームワークを構築することにより、予測精度を向上させること。
• 数百万ノードのネットワークにおいても、Katz や共通の近傍ノードといった高度な近接度測定法を活用できるようにすること。

提案手法

• MSLPは階層的クラスタリングを用いて、ネットワークの複数スケールのビューを生成する。各レベルは、異なる粒度の近似を表す。
• ツリー構造をとる部分空間近似法を適用し、階層の各レベルで効率的な低ランク近似を計算する。
• 重み付き統合戦略を用いて、すべてのレベルからの近接度スコアを統合し、ローカルおよびグローバルな予測精度を向上させる。
• 各レベル間でのメモリ再利用を活用することで、計算効率と低メモリ使用量を確保する。
• 任意の近接度測定法（例：Katz、共通の近傍ノード）および任意のクラスタリングアルゴリズムと互換性があり、柔軟性を確保する。
• 各レベル内で並列処理をサポートすることで、大規模ネットワークにおける高いスケーラビリティを実現する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールの低ランク近似は、単一スケール手法と比較して、大規模ネットワークにおけるリンク予測精度を向上させることができるか？
• RQ2 MSLPは、100万ノードを超える実世界のネットワークにおいて、最先端のリンク予測手法と比較してどの程度の性能を示すか？
• RQ3 複数の階層的レベルにわたる予測の統合は、単一の近似に依存する場合と比較して、より耐性があり正確な結果をもたらすか？
• RQ4 MSLPの性能は、下位のクラスタリング構造の品質にどれほど敏感か？
• RQ5 ネットワークに明確なクラスタが存在しない場合でも、MSLPは高い性能を維持できるか？

主な発見

• MSLP-Katzは、MySpaceデータセットにおいて、次に良い手法と比較してトップ100の結果における精度を15％相対的に向上させた。
• Flickr、LiveJournal、MySpaceの3つのデータセット全体で、MSLP-KatzはAUCを最大4％相対的に向上させ、すべてのデータセットで最良のベースラインを上回った。
• 低FPR（偽陽性率）領域では、MSLPは平均で10％、最大20％の偽陽性率の低減を達成し、特に高信頼度の予測において顕著な優位性を示した。
• MSLP-CNは、CN（共通の近傍ノード）と同等の性能を示したが、EIG や CLRA よりも優れており、次元削減ベースラインに対する一貫した改善を示した。
• 劣悪な品質のクラスタリング構造を用いても、MSLPは顕著な性能向上を達成しており、耐性があることを示した。
• MSLPは強力なスケーラビリティを示し、最も深いレベルの後、上位レベルでの低ランク近似が効率的に計算可能であり、並列処理とメモリ再利用を可能にした。