[論文レビュー] Predicting Small Group Accretion in Social Networks: A topology based incremental approach

Ankit Sharma, Xiaodong Feng+3 more|arXiv (Cornell University)|Jul 12, 2015

Complex Network Analysis Techniques参考文献 25被引用数 4

ひとこと要約

本稿では、社会的ネットワークにおける小規模グループの付加を予測するトポロジーに基づく段階的アプローチを提案する。主なメカニズムとして段階的付加（IA）と部分群付加（SA）に焦点を当て、ハイパーグラフ構造とグループ・アクトルネットワーク上のランダムウォークを用いた3つのモデル——Katzベース、ネットワークアラインメントベース、ラベル伝播ベース——を導入し、グループごとの予測で最高で0.605のリCALLを達成した。これは、進化する社会的ネットワークにおける高次リンク予測において優れた性能を示している。

ABSTRACT

Small Group evolution has been of central importance in social sciences and also in the industry for understanding dynamics of team formation. While most of research works studying groups deal at a macro level with evolution of arbitrary size communities, in this paper we restrict ourselves to studying evolution of small group (size $\leq20$) which is governed by contrasting sociological phenomenon. Given a previous history of group collaboration between a set of actors, we address the problem of predicting likely future group collaborations. Unfortunately, predicting groups requires choosing from $n \choose r$ possibilities (where $r$ is group size and $n$ is total number of actors), which becomes computationally intractable as group size increases. However, our statistical analysis of a real world dataset has shown that two processes: an external actor joining an existing group (incremental accretion (IA)) or collaborating with a subset of actors of an exiting group (subgroup accretion (SA)), are largely responsible for future group formation. This helps to drastically reduce the $n\choose r$ possibilities. We therefore, model the attachment of a group for different actors outside this group. In this paper, we have built three topology based prediction models to study these phenomena. The performance of these models is evaluated using extensive experiments over DBLP dataset. Our prediction results shows that the proposed models are significantly useful for future group predictions both for IA and SA.

研究の動機と目的

• 社会的ネットワークにおける将来の小規模グループ連携（サイズ ≤ 20）を予測する課題に取り組むこと。これは、大規模コミュニティの進化に比べてしばしば軽視される。
• コミュニティのマクロレベルの変化としてのグループ進化ではなく、アクトルの追加や部分群の統合によって駆動される段階的プロセスとしてのグループ進化をモデル化すること。
• n 個の候補から r 個を選ぶ組み合わせ的爆発（$n \choose r$）を回避するため、主に2つのメカニズムに焦点を当てること：段階的付加（IA）と部分群付加（SA）。
• 社会的ネットワーク理論および双対リンク予測の原則に基づいたトポロジーに基づく予測モデルを開発し、高次グループ構造に適応させること。
• DBLPデータセット上で、グループごとの評価指標とグローバル指標の両方を用いてモデルの性能を評価し、陽性事例の高さのスパarsityを考慮してリCALLに重点を置くこと。

提案手法

• グループネットワークと外部アクトルネットワークを交互に含むサイクルをモデル化することで、ハイパーグラフにKatz中心性法を拡張し、グループ間の通信パターンを捉える。
• サイクルに基づく類似度スコアを用いて、グループと外部アクトル間の類似度を測定する、ネットワークアラインメントベースの教師あり手法を提案し、付加の可能性を予測する。
• グループクリークと外部ノードを交互に訪問するバイランダムウォークを用いたラベル伝播ベースの手法を導入する。
• グループと外部ネットワークのステップを交互に実行する逐次バイランダムウォークアルゴリズム（BiRW_seq）を採用し、減衰係数 $\alpha$ と最大パス長 $l_g = l_o = 4$ を設定する。
• グループネットワークの隣接行列 $\mathbf{N_g}$、ネットワーク間行列 $\mathbf{I}$、外部ネットワーク行列 $\mathbf{N_o}$ を用いて、反復的行列乗算により影響スコアを計算する。
• これらのモデルを用いて、外部アクトルの既存グループへの結合可能性の予測スコアに基づき、順位付けすることで将来のグループ形成を予測する。

実験結果

リサーチクエスチョン

• RQ1 社会的ネットワークにおける将来の小規模グループ形成を駆動する支配的メカニズムは何か？
• RQ2 特定の付加パターンに焦点を当てることで、グループ形成の組み合わせ的爆発をどのように低減できるか？
• RQ3 双対リンク予測を高次構造に拡張したトポロジーに基づくモデルは、段階的付加および部分群付加を効果的に予測できるか？
• RQ4 Katzスタイル、ネットワークアラインメント、ラベル伝播の各モデリングアプローチは、将来のグループメンバーシップ予測においてどのように比較されるか？
• RQ5 小規模グループ予測において、グループごとの評価指標とグローバル指標の間にはどのようなパフォーマンスのトレードオフがあるか？

主な発見

• 提案されたモデルは、グループごとの予測で段階的付加（IA）について平均リCALLが0.605、部分群付加（SA）について0.5135に達し、真の将来的なグループの大部分をカバーしていることを示している。
• ラベル伝播ベースの手法（BRWS）は、IAについて平均精度0.0355およびリCALL0.6050を達成し、Katzスタイル（GKS）およびグローバルラベル伝播（GLPS）モデルを上回る性能を示した。
• グローバル指標において、BRWSモデルはIAについて精度0.0134、リCALL0.0962を達成し、SAについて精度0.0327、リCALL0.0614を達成した。陽性事例の高さのスパarsityにもかかわらず、性能が向上していることが示された。
• リCALL値が最大で0.605に達したことは、モデルが、候補グループの数が膨大であるにもかかわらず、実際の将来的なグループ形成の大部分を効果的に捉えていることを示している。
• 統計的分析により、IAとSAが将来のグループ形成の大多数を占めていることが確認され、これらの2つのメカニズムに焦点を当てることで、$n \choose r$ から管理可能なサブセットへの探索空間の縮小が正当化された。
• 結果から、ハイパーグラフ構造とバイランダムウォークを活用するトポロジーに基づくモデルが、進化する社会的ネットワークにおける高次リンク予測に有効であることが示された。