[論文レビュー] Organization Mining Using Online Social Networks

Michael Fire, Rami Puzis+1 more|arXiv (Cornell University)|Mar 15, 2013

Complex Network Analysis Techniques参考文献 17被引用数 11

ひとこと要約

本論文は、Facebook や LinkedIn からの公開データのみを用いて、組織の社会的ネットワーク構造を再構築し、リーダーシップ役割やコミュニティの分離構造といった内部構造を推定する手法を提案する。従業員が提供するソーシャルメディア情報に中心性分析と機械学習を適用することで、内部アクセスなしにリーダーと組織的コミュニティを同定し、地理的拠点の展開や買収のパターンといった構造的インサイトを明らかにする。

ABSTRACT

Mature social networking services are one of the greatest assets of today's organizations. This valuable asset, however, can also be a threat to an organization's confidentiality. Members of social networking websites expose not only their personal information, but also details about the organizations for which they work. In this paper we analyze several commercial organizations by mining data which their employees have exposed on Facebook, LinkedIn, and other publicly available sources. Using a web crawler designed for this purpose, we extract a network of informal social relationships among employees of a given target organization. Our results, obtained using centrality analysis and Machine Learning techniques applied to the structure of the informal relationships network, show that it is possible to identify leadership roles within the organization solely by this means. It is also possible to gain valuable non-trivial insights on an organization's structure by clustering its social network and gathering publicly available information on the employees within each cluster. Organizations wanting to conceal their internal structure, identity of leaders, location and specialization of branches offices, etc., must enforce strict policies to control the use of social media by their employees.

研究の動機と目的

• 公開可能なソーシャルメディアデータのみを用いて、組織の非公式な社会的ネットワーク構造を再構築する手法を開発すること。
• 社会的ネットワークの中心性分析と機械学習分類器を適用することで、組織内に隠れたリーダーシップ役割を同定すること。
• ネットワーククラスタリングと従業員データの照合を用いて、組織内の異なるコミュニティの役割を特定・解釈すること。
• 内部組織データにアクセスせずに、地理的分布、部門構造、買収パターンといった非自明な組織的インサイトを明らかにすること。
• 従業員のソーシャルメディア露出に伴うプライバシーリスクを強調し、より厳格な組織方針の導入を提言すること。

提案手法

• Facebook および LinkedIn から公開可能なソーシャルメディアデータを収集するためのウェブクローラーを採用し、従業員の関係性とプロファイル情報を焦点としている。
• 従業員が提供する関係性と所属情報をもとに、6つのハイテク企業の非公式な社会的ネットワーク構造を構築した。
• 度数、媒介性、固有ベクトル中心性などの複数の中心性指標を適用し、ネットワーク内での潜在的リーダーシップ役割を同定した。
• WEKA を用いてロジスティック回帰、RandomForest、IBk などの機械学習分類器を用い、中心性特徴に基づいて管理職を予測した。その結果、ZeroR ベースラインを上回る性能を達成した。
• 最新のコミュニティ検出アルゴリズムを用いて、各組織のネットワークを互いに排他的なコミュニティに分割した。
• コミュニティメンバーを LinkedIn データと照合することで、各コミュニティの役割、地理的所在地、機能的専門性を推定した。

実験結果

リサーチクエスチョン

• RQ1 公開可能なソーシャルメディアデータのみを用いて、組織の非公式な社会的ネットワーク構造を再構築できるか？
• RQ2 中心性指標と機械学習を用いて、公開データに基づき組織内でのリーダーシップ役割をどれほど正確に同定できるか？
• RQ3 コミュニティ検出とデータ照合により、地理的分布、部門構造、買収パターンといった非自明な組織的インサイトをどれほど得られるか？
• RQ4 孤立したコミュニティや構造的穴（構造的ギャップ）といった構造的特徴は、組織の脆弱性をどのように反映するか？
• RQ5 公開ソーシャルメディアデータと内部データソースを統合したマルチラベル社会的ネットワークを用いることで、組織構造の推定精度は向上するか？

主な発見

• 本研究では、Facebook および LinkedIn の公開データのみを用いて、6つのハイテク企業の非公式な社会的ネットワーク構造を成功裏に再構築した。
• RandomForest やロジスティック回帰などの機械学習分類器は、中心性特徴に基づく管理職同定において、ZeroR ベースラインを上回る高い正確性、AUC、F-measure を達成した。
• コミュニティ検出により、地理的拠点、R&D チーム、サポート部門といった明確な組織的単位が特定され、メンバーのプロファイルと所在地から役割が推定された。
• ある事例では、買収されたスタートアップが親会社から社会的に孤立しており、統合の構造的穴（構造的ギャップ）が顕在化した。
• 本手法により、会社 S2 では複数の国をまたぐプロジェクトマネージャーが特定され、M1 と L2 では上級管理職のコミュニティが同定され、非公式なリーダーシップネットワークが明らかになった。
• 本研究では、研究の焦点、部門間関係、地域特化といった重要な組織的インサイトが、内部データにアクセスせずに得られることを示した。