[論文レビュー] Who With Whom And How?: Extracting Large Social Networks Using Search Engines

Stefan Siersdorfer, Philipp Kemkes+2 more|arXiv (Cornell University)|Jan 28, 2017

Web Data Mining and Analysis参考文献 38被引用数 5

ひとこと要約

本稿では、非構造的ウェブデータから大規模なソーシャルネットワークを抽出するためのスケーラブルでパターンベースの検索エンジンマイニング手法を提案する。フレーズパターン（例：'meets with'、'and his wife'）と、エンティティおよびパターンの集合を反復的に拡張するためのブートストラップ戦略を用いることで、政治およびエンターテインメント分野において、密度が高くドメイン特異的なソーシャルグラフを構築する上で、ベースラインを上回る高い正確性と効率性を達成する。

ABSTRACT

Social network analysis is leveraged in a variety of applications such as identifying influential entities, detecting communities with special interests, and determining the flow of information and innovations. However, existing approaches for extracting social networks from unstructured Web content do not scale well and are only feasible for small graphs. In this paper, we introduce novel methodologies for query-based search engine mining, enabling efficient extraction of social networks from large amounts of Web data. To this end, we use patterns in phrase queries for retrieving entity connections, and employ a bootstrapping approach for iteratively expanding the pattern set. Our experimental evaluation in different domains demonstrates that our algorithms provide high quality results and allow for scalable and efficient construction of social graphs.

研究の動機と目的

• 大規模で非構造的なウェブデータに対して、既存のソーシャルネットワーク抽出手法が抱えるスケーラビリティの制限を解消すること。
• ソーシャル関係が暗黙的かつ非構造的であるウェブコンテンツから、効率的かつ正確に大規模なソーシャルグラフを構築できること。
• ブートストラップアプローチを用いて、エンティティペアと接続フレーズパターンの両方を動的に拡張する手法を開発すること。
• ノードの人気度と新規性に基づいて検索クエリを優先順位付けすることで、ネットワーク構築を加速し、カバレッジを向上させること。
• 抽出されたネットワークの構造的および言語的特性を分析し、ドメイン特異的な関係パターンを理解すること。

提案手法

• エンティティペアと接続フレーズ（例：'and his wife'、'meets with'）を用いたパターンベースの検索エンジンクエリを活用し、ウェブコンテンツ内のソーシャルリンクを検出する。
• 高信頼度の接続に基づいて、反復的に検索パターンとエンティティペアの集合を拡張するためのブートストラップメカニズムを採用する。
• ノードの人気度と新規性メトリクスを用いたインテリジェントなクエリ優先順位付けを適用し、検索エンジンリクエストの回数を削減する。
• 相互情報量（MI）を用いて、パターン内の判別性の高い語を同定し、ドメイン特異的なパターン分析（例：政治 vs. 映画）を可能にする。
• 検索エンジンクエリの結果を集約してソーシャルグラフを構築し、手動および自動評価による検証を実施する。
• 多言語対応のパターン検出（例：'y'、'et'、'und' が 'and' を表す）を統合し、クロスリンガルなネットワーク抽出を支援する。

実験結果

リサーチクエスチョン

• RQ1 検索エンジンを用いて、非構造的ウェブデータから大規模なソーシャルネットワークを効率的に抽出するにはどうすればよいか？
• RQ2 コストを最小限に抑えながらネットワークカバレッジと品質を最大化するための、検索クエリの優先順位付けに適した基準は何か？
• RQ3 検索クエリの言語的パターンは、社会的関係のドメインと性質（例：政治的関係 vs. エンターテインメント関係）をどのように反映しているか？
• RQ4 ブートストラップアプローチは、ベースライン手法と比較して、関連するソーシャル関係の発見をどの程度向上させるか？
• RQ5 抽出されたネットワークにどのような構造的および言語的特性が現れ、それらは背後にある社会的ドメインとどのように関係しているか？

主な発見

• 提案手法は、正確性と効率性の両面でベースライン手法を著しく上回り、大規模なソーシャルグラフのスケーラブルな構築を可能にする。
• ノードの人気度と新規性は、クエリ優先順位付けに有効な基準であり、検索エンジンリクエストの回数を削減しながらも、高いカバレッジを維持できる。
• 本手法はドメイン特異的なパターンを効果的に同定しており、例として政治分野では 'meets with' や 'is joined by'、映画分野では 'and actress' や 'is starring alongside' といったパターンを特定し、言語的パターンと社会的コミュニティの間に強い相関があることを示している。
• 相互情報量分析により、'minist'、'presid'、'guard'、'actor'、'star'、'husband' といった語が、ネットワークドメインの分類に顕著に判別性が高いことが明らかになった。
• 'y'、'et'、'und' といった多言語パターン（'and' を表す）は、クロスリンガルなソーシャルネットワーク抽出に有効であり、本手法の適用範囲を広げた。
• 抽出されたネットワークは、高密度性やコミュニティに類似したクラスタリングといった意味のある構造的特性を示しており、現実の社会的関係を反映している。