[논문 리뷰] A Machine Learning Approach to Predicting Continuous Tie Strengths

James Flamino, Ross DeVito외 2명|arXiv (Cornell University)|2021. 01. 23.

Mechanical stress and fatigue analysis참고 문헌 24인용 수 4

한 줄 요약

이 논문은 NetSense 연구에서 확보한 통신 데이터를 활용하여 동적 사회망에서 변화하는 유대 강도를 지속적으로 예측하는 기계학습 프레임워크를 제안한다. 랜덤 포레스트 및 LSTM 모델을 시간적 특성(빈도, 최근성, 지속 시간, 볼륨)에 적용함으로써 동적이고 연속적인 유대 강도 추정치를 생성하며, 이는 정적 설문 조사보다 뛰어난 성능을 보이며 종단 간 관계 패턴을 드러낸다.

ABSTRACT

Relationships between people constantly evolve, altering interpersonal behavior and defining social groups. Relationships between nodes in social networks can be represented by a tie strength, often empirically assessed using surveys. While this is effective for taking static snapshots of relationships, such methods are difficult to scale to dynamic networks. In this paper, we propose a system that allows for the continuous approximation of relationships as they evolve over time. We evaluate this system using the NetSense study, which provides comprehensive communication records of students at the University of Notre Dame over the course of four years. These records are complemented by semesterly ego network surveys, which provide discrete samples over time of each participant's true social tie strength with others. We develop a pair of powerful machine learning models (complemented by a suite of baselines extracted from past works) that learn from these surveys to interpret the communications records as signals. These signals represent dynamic tie strengths, accurately recording the evolution of relationships between the individuals in our social networks. With these evolving tie values, we are able to make several empirically derived observations which we compare to past works.

연구 동기 및 목표

• 정적 설문 조사 기반 접근 방식의 한계를 극복하고, 확장 가능하고 지속적인 방법으로 동적 네트워크 내에서 변화하는 사회적 유대 강도를 예측하는 데 목적이 있다.
• 유대 강도를 이산적인 스냅샷이 아닌 통신 패턴에서 유도된 시간에 따라 변하는 신호로 모델링하는 데 목적이 있다.
• 플랫폼 특화 기능이 아닌 통신 메타데이터를 사용함으로써 단일 플랫폼을 초월해 일반화 가능한 프레임워크를 구축하는 데 목적이 있다.
• 실제로 수집된 NetSense 연구의 기준 설문 데이터와의 비교를 통해 모델의 실증적 타당성을 확보하는 데 목적이 있다.
• 원시 통신 로그에서 시간적 시리즈 간선 가중치를 생성함으로써 종단 간 분석을 가능하게 하여 관계의 진화 과정을 관찰하는 데 목적이 있다.

제안 방법

• 기계학습 모델에서 유도된 상호 비교 결과를 종합하여 각 에고의 사회적 유대 강도에 대한 글로벌 랭킹을 도출하기 위해 Borda 순위 기반 랭킹 시스템을 사용한다.
• 두 개인 간의 통신 특성(빈도, 최근성, 지속 시간, 볼륨)의 차이 벡터를 기반으로 훈련된 랜덤 포레스트 분류기를 활용한 앙상블 모델을 적용한다.
• 통화 및 문자 활동의 이중 채널 시간 시리즈를 21일 간격으로 분할하여 처리하는 LSTM 모델을 적용하여 시간적 동적 특성을 포착한다.
• 개인 $ i $ 가 에고에 대해 개인 $ j $ 보다 더 강한 유대를 가졌을 가능성을 나타내는 상호 비교 확률 $ M_{ij} $ 를 계산하며, $ M_{ii} = 0.5 $ 로 설정한다.
• 식 (2)를 통해 비교 행렬을 승리/패배/무승부 지표로 변환하고, 식 (3)을 사용해 Borda 점수를 계산하여 최종 랭킹을 도출한다.
• Borda 수를 승률로 변환함으로써(식 (4)) 연속적이고 시간에 따라 변하는 간선 가중치를 생성하여 동적 유대 강도를 표현한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 동적 사회망에서 통신 메타데이터로부터 연속적인 유대 강도를 정확하게 예측할 수 있는가?
• RQ2 빈도, 최근성, 지속 시간, 볼륨과 같은 다양한 통신 특성은 변화하는 관계 강도 예측에 어떻게 기여하는가?
• RQ3 시간적 패턴(예: 통화 및 문자 기록)이 정적 특성에 비해 유대 강도 예측 성능을 얼마나 향상시키는가?
• RQ4 예측된 동적 유대 강도는 여러 학기 동안 수집된 기준 설문 데이터와 어떻게 비교되는가?
• RQ5 제안된 프레임워크는 플랫폼 특화 기능을 초월하여 대규모 네트워크에서 확장 가능하고 실시간 관계 추적을 가능하게 하는가?

주요 결과

• 특히 LSTM 및 앙상블 모델을 통해 제안된 기계학습 모델은 기준 설문 데이터와 매우 유사하게 변화하는 연속적인 유대 강도 추정치를 성공적으로 생성한다.
• Bow Tie Overlap를 특성으로 포함시켰을 경우 모델 성능이著しく 악화되어 최종 앙상블 모델에서 제외되었다.
• Borda 순위 기반 랭킹 시스템은 노이즈가 많은 상호 비교 결과를 안정적이고 해석 가능한 사회적 유대 강도 랭킹으로 효과적으로 통합한다.
• 승률 변환(식 (4))은 네트워크 분석에 적합한 매끄럽고 연속적인 시간적 시리즈의 동적 간선 가중치를 생성한다.
• 모델들은 감성 분석이나 내용 분석 없이도 통신 빈도, 최근성, 지속 시간, 볼륨이 변화하는 유대 강도를 강력한 예측 변수로 활용할 수 있음을 입증한다.
• 이 프레임워크는 종단 간 관계 진화 관찰을 가능하게 하여, 시간이 지남에 따라 유대가 강화되거나 약화되거나 정체되는 패턴을 드러내며, 정적 설문 조사로는 포착할 수 없는 정보를 제공한다.