[論文レビュー] Social Network Fusion and Mining: A Survey

Jiawei Zhang|arXiv (Cornell University)|Apr 26, 2018

Complex Network Analysis Techniques参考文献 115被引用数 10

ひとこと要約

本調査は、異種社会ネットワーク（HSNs）における広義学習の包括的概要を提示し、ネットワークアラインメント、リンク予測、コミュニティ検出、情報拡散、ネットワーク埋め込みの5つのコアタスクに焦点を当てる。本調査では、複数のプラットフォーム間で共有されるアンカーユーザーを介してマルチソースのソーシャルデータを統合する包括的フレームワークを提案し、メタパス重み付けやディープラーニングを活用することで、アラインされたネットワーク間で協調的なマイニングを可能にする。

ABSTRACT

Looking from a global perspective, the landscape of online social networks is highly fragmented. A large number of online social networks have appeared, which can provide users with various types of services. Generally, the information available in these online social networks is of diverse categories, which can be represented as heterogeneous social networks (HSN) formally. Meanwhile, in such an age of online social media, users usually participate in multiple online social networks simultaneously to enjoy more social networks services, who can act as bridges connecting different networks together. So multiple HSNs not only represent information in single network, but also fuse information from multiple networks. Formally, the online social networks sharing common users are named as the aligned social networks, and these shared users who act like anchors aligning the networks are called the anchor users. The heterogeneous information generated by users' social activities in the multiple aligned social networks provides social network practitioners and researchers with the opportunities to study individual user's social behaviors across multiple social platforms simultaneously. This paper presents a comprehensive survey about the latest research works on multiple aligned HSNs studies based on the broad learning setting, which covers 5 major research tasks, i.e., network alignment, link prediction, community detection, information diffusion and network embedding respectively.

研究の動機と目的

• 複数のプラットフォームにまたがる断片化したオンラインソーシャルネットワークの課題に対処し、共有ユーザー（アンカーユーザー）を介してデータ統合を可能にする。
• 多様なデータソース（例：ソーシャルメディア、POI、ユーザ行動）を統合し、一貫した分析環境を形成する包括的フレームワークを提供する。
• 異種データ統合とソース間の関連性フィルタリングといった、データ統合とマイニングにおける主な課題を特定し、解決する。
• 相互ネットワークリンク予測、相互コミュニティ検出、情報拡散モデリングといったクロスプラットフォーム分析を可能にする。
• スケーラブルでマルチソースかつアプリケーションに依存しない広義学習アルゴリズムの今後の研究を導く。

提案手法

• 複数のソーシャルネットワークにまたがる共有ユーザー（アンカーユーザー）をアラインメントの基点として、異種ソーシャルネットワークデータを統合する。
• メタパス重み付けとネットワークサンプリング技術を適用し、後続タスクに適した関連情報ソースを優先する。
• ネットワーク埋め込みとリンク予測モデルのエンドツーエンド学習に、ディープラーニングと確率的勾配降下法（SGD）を活用する。
• 複数のアラインされたHSN間で統合データを協調的にマイニングする広義学習パラダイムを導入し、タスクパフォーマンスの向上を図る。
• スケーリングを実現するため、分散コンピューティングプラットフォーム（例：Spark、Hadoop）とモデル最適化を活用し、数十億人のユーザーを含む大規模ネットワークに対応する。
• ノイズ低減とマイニング効率の向上を目的として、情報ソース埋め込みと特徴選択を提案する。

実験結果

リサーチクエスチョン

• RQ1 共有ユーザー（アンカーユーザー）をブリッジとして用いることで、複数の異種ソーシャルネットワークを効果的にアラインメントする方法は何か？
• RQ2 複数のソーシャルプラットフォーム間で、テキスト、画像、ユーザ行動などの多様なデータタイプを統合する最も効果的な戦略は何か？
• RQ3 ネットワークアラインメントは、複数プラットフォーム間のリンク予測やコミュニティ検出といった後続タスクにどのように寄与するか？
• RQ4 2ネットワーク統合から3つ以上のネットワーク（マルチネットワーク）へのアラインメントとマイニングに拡張するにあたり、主な課題は何か？
• RQ5 急増するビッグソーシャルネットワークデータのボリュームに対応するため、スケーラブルで効率的なアルゴリズムを設計するにはどうすればよいか？

主な発見

• アンカーユーザーを介したネットワークアラインメントは、相互ネットワークリンク予測や相互コミュニティ検出といったクロスプラットフォーム分析を可能にするための必須条件である。
• メタパス重み付けと特徴選択は、後続のマイニングタスクにおける統合データの関連性とパフォーマンスを顕著に向上させる。
• SGDで学習されたディープラーニングモデルは、統合されたHSNデータ上で学習された結果、単一ネットワークベースラインに比べてネットワーク埋め込みとリンク予測のパフォーマンスが向上する。
• スケーラビリティは依然として主要な課題であり、Spark や Hadoop といった分散プラットフォームがビッグデータワークロードを処理するための実用的解決策を提供する。
• 今後の研究は、2つ以上のネットワークを越えたマルチソース統合に焦点を当て、広義学習を企業データ、地理空間データ、知識ベースなどソーシャルメディア以外の分野へ拡張すべきである。
• 企業環境における応用例（例：組織図の推定、社員研修）は、ソーシャルメディアを越えて広義学習の潜在的応用可能性を示している。