[論文レビュー] Predicting Multi-actor collaborations using Hypergraphs

Ankit Sharma, Jaideep Srivastava+1 more|arXiv (Cornell University)|Jan 24, 2014

Tensor decomposition and applications参考文献 16被引用数 7

ひとこと要約

本稿では、時間変動する共同作業ネットワークをハイパーリンシデンステンソルとして表現することで、ハイパーグラフに基づくテンソルモデルを提案し、複数アーティスト間の共同作業を予測する。この手法により、高次エッジ予測が可能となり、ハイパーグラフは従来の二項グラフを上回り、3〜7名の共同作業において平均45%のFスコア向上を達成。特に高次グループにおいて優れた性能を発揮し、二項リンク予測に対しても頑健である。

ABSTRACT

Social networks are now ubiquitous and most of them contain interactions involving multiple actors (groups) like author collaborations, teams or emails in an organizations, etc. Hypergraphs are natural structures to effectively capture multi-actor interactions which conventional dyadic graphs fail to capture. In this work the problem of predicting collaborations is addressed while modeling the collaboration network as a hypergraph network. The problem of predicting future multi-actor collaboration is mapped to hyperedge prediction problem. Given that the higher order edge prediction is an inherently hard problem, in this work we restrict to the task of predicting edges (collaborations) that have already been observed in past. In this work, we propose a novel use of hyperincidence temporal tensors to capture time varying hypergraphs and provides a tensor decomposition based prediction algorithm. We quantitatively compare the performance of the hypergraphs based approach with the conventional dyadic graph based approach. Our hypothesis that hypergraphs preserve the information that simple graphs destroy is corroborated by experiments using author collaboration network from the DBLP dataset. Our results demonstrate the strength of hypergraph based approach to predict higher order collaborations (size>4) which is very difficult using dyadic graph based approach. Moreover, while predicting collaborations of size>2 hypergraphs in most cases provide better results with an average increase of approx. 45% in F-Score for different sizes = {3,4,5,6,7}.

研究の動機と目的

• 複数の参加者が関与するグループ内相互作用を含むソーシャルネットワークにおける、複数アーティスト間共同作業の予測という課題に取り組む。
• 複数アーティストの相互作用を二項リンクに縮約する際にグループレベルの情報を失う、二項グラフモデルの限界を克服する。
• 時間的変化する共同作業パターンを捉えるための時間的モデリング手法を、ハイパーグラフを用いて開発する。
• 従来のグラフベース手法で失われる構造的および時間的情報を保持する、高次共同作業予測のための頑健なフレームワークを提供する。
• 特にサイズ>2の共同作業、特に大きなグループ（サイズ>4）において、ハイパーグラフモデルが二項グラフモデルを上回ることを実証する。

提案手法

• 各ハイパーエッジが共同著者や共同作業者からなるグループを表すハイパーグラフとして共同作業ネットワークをモデル化する。
• 時間変動するハイパーグラフ構造を表現するため、ハイパーリンシデンステンソルを構築し、異なる時刻における参加アーティストがどの共同作業に参加したかを符号化する。
• ハイパーリンシデンステンソルの低ランク表現を学習するため、テンソル分解技術を適用する。
• 履歴テンソルデータに基づいて将来のハイパーエッジを予測するため、教師あり学習アプローチを用いる。
• 標準的なリンク予測指標（Fスコア、精度、再現率）を用いて、ハイパーグラフベースのテンソルモデルと従来の二項グラフモデルの性能を比較する。
• 訓練期間とテスト期間を変化させた複数の実験設定において評価し、汎化性および頑健性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ハイパーグラフは、二項グラフと比較して、複数アーティスト間相互作用をモデル化する際、グループレベルの共同作業情報をより良く保持できるか？
• RQ2 高次共同作業（サイズ>2）において、ハイパーグラフベースの予測性能はグラフベースの予測性能と比べてどのように異なるか？
• RQ3 ハイパーグラフベースのテンソルハイパーリンシデンスモデルは、従来のグラフモデルと比較して、サイズ3〜7の共同作業の予測精度を向上させるか？
• RQ4 提案されたハイパーグラフモデルは、二項リンクおよび高次共同作業の両方の予測に対して頑健か？
• RQ5 訓練期間の長さが、時間的共同作業ネットワークにおける予測性能にどのように影響するか？

主な発見

• ハイパーグラフベースのアプローチは、二項グラフモデルと比較して、共同作業サイズ3〜7の全範囲で平均45%のFスコア向上を達成した。
• サイズ>4の共同作業において、ハイパーグラフモデルはグラフモデルを著しく上回り、すべての実験でFスコア曲線がグラフベースのアプローチを常に上回った。
• モデルは二項リンク予測に対しても高い性能を維持し、実験DではハイパーグラフベースのFスコアがグラフベースのFスコアをわずかに上回った。
• 長い訓練期間が必ずしも予測精度を向上させるわけではない。一部のケースでは、過去のデータがノイズとして作用し、性能が低下した。
• ハイパーリンシデンステンソルは時間的ダイナミクスを効果的に捉えており、最近の履歴データ（例：3年間の訓練で5年先の予測）を用いて将来の共同作業を正確に予測可能である。
• 結果から、ハイパーグラフは二項グラフ表現で失われる構造的情報を保持しており、現実世界の複数アーティスト間共同作業をモデル化するのに適していることが確認された。