[論文レビュー] Recommending Users: Whom to Follow on Federated Social Networks

Jan Trienes, Andrés Torres Cano+1 more|arXiv (Cornell University)|Nov 22, 2018

Caching and Content Delivery参考文献 12被引用数 12

ひとこと要約

本稿では、Mastodonのようなフェデレーテッドソーシャルネットワークにおける共同フィルタリングおよびトポロジーに基づくレコメンデーションシステムを提案し、評価する。プロファイルベースの類似度にはBM25を、ネットワーク構造に基づくものにはパーソナライズドPageRankを用いる。オフライン評価では共同フィルタリングがトポロジーに基づく手法を上回るが、ライブユーザー実験では両者で同等の性能を示し、分散型ネットワークにおけるコミュニティ拡大の可能性を示している。

ABSTRACT

To foster an active and engaged community, social networks employ recommendation algorithms that filter large amounts of contents and provide a user with personalized views of the network. Popular social networks such as Facebook and Twitter generate follow recommendations by listing profiles a user may be interested to connect with. Federated social networks aim to resolve issues associated with the popular social networks - such as large-scale user-surveillance and the miss-use of user data to manipulate elections - by decentralizing authority and promoting privacy. Due to their recent emergence, recommender systems do not exist for federated social networks, yet. To make these networks more attractive and promote community building, we investigate how recommendation algorithms can be applied to decentralized social networks. We present an offline and online evaluation of two recommendation strategies: a collaborative filtering recommender based on BM25 and a topology-based recommender using personalized PageRank. Our experiments on a large unbiased sample of the federated social network Mastodon shows that collaborative filtering approaches outperform a topology-based approach, whereas both approaches significantly outperform a random recommender. A subsequent live user experiment on Mastodon using balanced interleaving shows that the collaborative filtering recommender performs on par with the topology-based recommender.

研究の動機と目的

• フェデレーテッドソーシャルネットワークにおけるレコメンデーションシステムの欠如がコミュニティ参加やユーザー成長を妨えるという点を解決する。
• 既存のレコメンデーション技術—共同フィルタリングおよびトポロジーに基づく手法—が、完全でないデータを有する分散型ネットワークにどのように適合できるかを調査する。
• Mastodon上でオフラインサンプリングとライブユーザー実験の両方を用いて、これらの手法の性能を評価する。
• 特にデータ収集とプライバシーに関する点で、分散型システムにレコメンデーションシステムを展開する際の実用的課題を評価する。
• 中央集権化されたユーザーデータを必要とせず、プライバシーを守りながらも効果的でスケーラブルなレコメンデーションシステムをフェデレーテッドソーシャルネットワークに構築できるかどうかの可能性を検討する。

提案手法

• Mastodonユーザーグラフの偏りのない大規模サンプル（ユーザーベースの約25％）を収集するために、有向グラフに適応したメトロポリス・ハスティングス・ランダムウォーク（MHRW）を用いる。
• ユーザープロファイル（フォロー、フォロワー、統合済み）をドキュメントとして扱い、クエリユーザープロファイルとの類似度に基づいてフォロー候補をBM25でランク付けすることで、共同フィルタリングを適用する。
• ネットワーク構造と局所的グラフネighborhoodに基づいて、フォロー関係の可能性を予測するパーソナライズドPageRankを用いて、トポロジーに基づくレコメンデーションシステムを実装する。
• ライブユーザー実験では、実際のユーザーのフォロービヘイビアを測定することで、システム性能を比較するためのバランスの取れたインターリーブ評価法を採用する。
• オンラインレコメンデーションでは、各ユーザーの推奨時における局所的ネットワーク周辺部をサンプリングするが、これには高いネットワークオーバーヘッドが伴う。
• 繰り返しのクローリングを減らすためのキャッシュ戦略を検討するが、データの中央集権化のリスクを認識しており、これはフェデレーテッドネットワークの原則と矛盾する。

実験結果

リサーチクエスチョン

• RQ1 BM25を用いたユーザープロファイル類似度に基づく共同フィルタリングが、フェデレーテッドソーシャルネットワークにおけるフォローユーザー推薦において、トポロジーに基づく手法を上回ることができるか？
• RQ2 これらのレコメンデーション戦略は、オフライン評価と比較して、実世界のライブユーザー環境ではどのように性能を発揮するか？
• RQ3 完全なネットワークデータが入手できない分散型ネットワークにレコメンデーションシステムを展開する際の実用的課題は何か？
• RQ4 不完全またはサンプリングされたネットワークデータは、レコメンデーションの質や関連性にどの程度影響を与えるか？
• RQ5 プライバシーを守り、分散型であることを維持しながらも、効果的でスケーラブルなレコメンデーションシステムを設計できるか？

主な発見

• オフライン評価では、BM25に基づく共同フィルタリングレコメンデーションが、Mastodonの大規模かつ偏りのないサンプル上で、トポロジーに基づくPageRankアプローチを顕著に上回った。
• 19名の参加者によるライブユーザー実験では、共同フィルタリングとトポロジーに基づくレコメンデーションが同等の性能を示し、それぞれ5名のユーザーで他方を上回り、残りの9名では同等の性能を発揮した。
• レコメンデーションから合計で1.8件の新しいフォローリクエストがユーザーごとに発生した。これは、両システムが価値があり、実行可能な提案を生成したことを示している。
• 両方のレコメンデーション戦略が、オフラインおよびオンラインの両設定でランダムレコメンデーションベースラインを顕著に上回ることを確認した。
• オンラインでのレコメンデーション生成は、ユーザーのネIGHBORHOODを繰り返しクローリングする必要があるため、コストが高く、スケーラビリティとパフォーマンス上の課題を浮き彫りにした。
• 繰り返しのクローリングを減らすためにネットワークネIGHBORHOODをキャッシュする戦略が、潜在的な最適化であることが判明したが、データの中央集権化の懸念があり、フェデレーテッドネットワークの根幹的原則に反する可能性がある。