[論文レビュー] Social Network Integration: Towards Constructing the Social Graph

Yutao Zhang, Jie Tang|arXiv (Cornell University)|Nov 12, 2013

Complex Network Analysis Techniques参考文献 25被引用数 5

ひとこと要約

本稿では、同一人物に属するアカウントをリンクすることで、複数のソーシャルネットワークを統合し、1つのグローバルソーシャルグラフに統合する包括的な確率的フレームワークを提案する。社会的つながり、ユーザー属性、論理的制約におけるネットワーク間の一貫性を活用し、高い正確性でエンティティ解決を実現した。LinkedIn、Videolectures、ArnetMinerで検証され、強力な統合パフォーマンスを示した。

ABSTRACT

In this work, we formulate the problem of social network integration. It takes multiple observed social networks as input and returns an integrated global social graph where each node corresponds to a real person. The key challenge for social network integration is to discover the correspondences or interlinks across different social networks. We engaged an in-depth analysis across three online social networks, AMiner, Linkedin, and Videolectures in order to address what reveals users' social identity, whether the social factors consistent across different social networks and how we can leverage these information to perform integration. We proposed a unified framework for the social network integration task. It crawls data from multiple social networks and further discovers accounts correspond to the same real person from the obtained networks. We use a probabilistic model to determine such correspondence, it incorporates features like the consistency of social status and social ties across different, as well as one-to-one mapping constraint and logical transitivity to jointly make the prediction. Empirical experiments verify the effectiveness of our method.

研究の動機と目的

• 離散的なソーシャルネットワークを統合し、一貫性のあるグローバルソーシャルグラフを構築する課題に対処すること。
• 異なるソーシャルネットワークに存在する、同一人物を表すユーザーアカウント間の正確な対応関係を同定すること。
• 任意の数の異種ソーシャルネットワークを処理できるスケーラブルで包括的なフレームワークを開発すること。
• LinkedIn、Videolectures、ArnetMinerなどの現実世界の大規模ソーシャルネットワークにおいて、手法の有効性を評価すること。
• 複数のプラットフォームにまたがる個人のソーシャルライフの包括的で統合されたビューを構築する可能性と利点を検討すること。

提案手法

• アドホックなクローラーを用いて、ユーザーのプロフィールやソーシャルつながりを含む、複数のソーシャルネットワークからデータを収集する。
• ユーザーIDのリンクを確率的推論問題として定式化し、名前の類似度、プロフィールの一貫性、ソーシャルつながりの重複度といった特徴を組み込む。
• 1対1のマッピング制約と論理的推移性を強制することで、ネットワーク全体にわたる一貫性があり妥当なリンクを保証する。
• 社会的地位の一貫性、つながりパターンの整合性、トポロジー的特徴を統合する共同確率モデルを用いて、ネットワーク間の対応関係を予測する。
• 統合結果をフィードバックとして活用し、クローラーの優先順位を調整することで、データ収集の反復的改善を実現する。
• 大規模で多様なネットワークにスケーラブルであり、インクリメンタルな統合をサポートするように設計されている。

実験結果

リサーチクエスチョン

• RQ1 異なるソーシャルネットワーク間で同一人物を特定する際に、ユーザー属性やソーシャルつながりといった社会的要因のうち、どれが最も信頼できるか？
• RQ2 ソーシャルネットワークの構造やユーザー行動は、異なるプラットフォーム間でどの程度一貫しているか？
• RQ3 固有の識別子が存在しない状況でも、包括的な確率的モデルが複数のソーシャルネットワーク間でユーザーアカウントを効果的にリンクできるか？
• RQ4 1対1のマッピングと推移性制約を組み込むことで、ユーザーIDリンクの正確性はどの程度向上するか？
• RQ5 統合結果からのフィードバックは、データクローリングの効率性とカバー範囲にどのような影響を与えるか？

主な発見

• 提案されたフレームワークは、LinkedIn、Videolectures、ArnetMiner間でユーザーアカウントを高精度にリンクし、大規模なソーシャルネットワーク統合の実現可能性を示した。
• ネットワーク間でのソーシャルつながりとプロフィール属性の一貫性が、IDリンク予測の信頼性を顕著に向上させた。
• 1対1のマッピングと推移性制約を強制することで、誤検出を低減し、論理的な整合性を維持した。
• 統合結果からのフィードバックにより、有用性の高いデータソースを優先することができ、クローラーの効率が向上した。
• 固有の識別子の欠如やネットワークトポロジー・意味論の多様性に対しても、この手法は効果的に対処できた。
• 実証的結果から、断片的なネットワークデータからより包括的で整合性のあるグローバルソーシャルグラフを再構築できることを確認した。