[논문 리뷰] DecLiNe -- Models for Decay of Links in Networks

Julia Preusse, Jérôme Kunegis외 2명|arXiv (Cornell University)|2014. 03. 18.

Complex Network Analysis Techniques참고 문헌 23인용 수 6

한 줄 요약

DecLiNe는 링크 예측 방법을 역으로 응용하여 링크의 쇠퇴를 예측하는 구조 기반 접근법을 제안한다 — 즉, 사라질 가능성이 높은 링크를 식별한다. 보완 네트워크에서의 보완 점수 및 선호적 연결성과 같은 새로운 지표를 도입하여 무작위 기반선 대비 유의미하게 높은 정밀도를 달성하지만, 링크 쇠퇴 예측은 표준 링크 예측보다 더 어렵다.

ABSTRACT

The prediction of graph evolution is an important and challenging problem in the analysis of networks and of the Web in particular. But while the appearance of new links is part of virtually every model of Web growth, the disappearance of links has received much less attention in the literature. To fill this gap, our approach DecLiNe (an acronym for DECay of LInks in NEtworks) aims to predict link decay in networks, based on structural analysis of corresponding graph models. In analogy to the link prediction problem, we show that analysis of graph structures can help to identify indicators for superfluous links under consideration of common network models. In doing so, we introduce novel metrics that denote the likelihood of certain links in social graphs to remain in the network, and combine them with state-of-the-art machine learning methods for predicting link decay. Our methods are independent of the underlying network type, and can be applied to such diverse networks as the Web, social networks and any other structure representable as a network, and can be easily combined with case-specific content analysis and adopted for a variety of social network mining, filtering and recommendation applications. In systematic evaluations with large-scale datasets of Wikipedia we show the practical feasibility of the proposed structure-based link decay prediction algorithms.

연구 동기 및 목표

• 링크 생성에 대한 광범위한 연구에도 불구하고 네트워크 내 링크 쇠퇴를 예측하기 위한 일반적이고 구조 기반의 방법이 부족한 문제를 해결한다.
• 그래프의 구조적 성질이 '불필요한' 또는 쇠퇴하는 링크를 식별하는 불변 지표로 기능할 수 있는지 조사한다.
• 웹, 소셜 미디어, 위키백과와 같은 다양한 네트워크에 적용 가능한 도메인 독립적이고 일반적인 링크 제거 예측 방법을 개발한다.
• 구조적 분석과 기계 학습을 융합하여 스팸 탐지, 그래프 재구성, 추천 시스템 등의 응용을 가능하게 한다.
• 특히 위키백과를 포함한 대규모 실세계 데이터셋에서 제안된 방법의 타당성과 성능을 평가한다.

제안 방법

• 표준 링크 예측 방법을 역으로 응용하여, 새로운 링크를 예측하는 대신 기존 링크 중에서 쇠퇴할 가능성이 높은 링크를 예측한다.
• 원래 그래프의 보완 그래프에 링크 예측을 적용하여 낮은 가능성의 간선을 식별하기 위해 보완 네트워크 접근법을 도입한다.
• 보완 점수와 같이 링크의 제거 가능성에 기반한 구조적 특징을 측정하는 새로운 쇠퇴 지표를 정의한다.
• 보완 네트워크에서의 선호적 연결성은 낮은 차수를 가진 노드 간 링크가 더 많이 쇠퇴할 가능성이 있음을 나타내는 핵심 지표로 사용된다.
• 최신 링크 예측 알고리즘(예: 재즈카드, 아다믹-아다르)과 구조적 지표를 융합하여 쇠퇴 예측 성능을 향상시킨다.
• 네트워크 유형에 관계없이 이러한 방법을 독립적으로 적용할 수 있어 소셜 네트워크, 웹 그래프, 위키백과와 같은 콘텐츠 네트워크 등에 활용할 수 있다.

실험 결과

연구 질문

• RQ1 네트워크 구조의 분석이 도메인 독립적으로 링크의 쇠퇴를 얼마나 잘 예측할 수 있는가?
• RQ2 정밀도와 어려움 측면에서 링크 쇠퇴 예측의 성능이 표준 링크 예측과 비교해 어떻게 되는가?
• RQ3 노드의 차수, 공통 이웃, 이웃의 겹침 정도와 같은 구조적 특징 중에서 링크 제거를 가장 잘 예측하는 것은 무엇인가?
• RQ4 보완 네트워크 접근법이 단단히 연결된 컴ponent나 클리크에 속하지 않는 '불필요한' 링크를 효과적으로 식별할 수 있는가?
• RQ5 다양한 링크 예측 지표를 역으로 적용했을 때 쇠퇴 예측에 대해 성능이 어떻게 달라지며, 어떤 조합이 가장 우수한 결과를 낼 수 있는가?

주요 결과

• 보완 점수와 선호적 연결성을 조합한 방법이 링크 쇠퇴 예측에서 가장 높은 정밀도를 달성하여 무작위 기반선을 압도했다.
• 링크 쇠퇴 예측은 표준 링크 예측보다 일반적으로 더 어렵다. 최고의 방법이 정밀도 약 0.6인 데 비해 링크 예측은 약 0.85이기 때문이다.
• 출발 노드의 특성 — 예를 들어 외부 차수 및 외부 이웃 — 이 가장 유용한 특징이었으며, '당신이 링크하는 이들이 당신을 규정한다'는 원칙을 뒷받对方했다.
• 공통 이웃 수나 이웃의 합집합 수는 링크 쇠퇴에 강력한 지표가 되지 못했으며, 이는 구조적 유사성만으로는 약한 관계와 잘못된 링크를 구분할 수 없다는 것을 시사한다.
• 역 링크 예측 방법은 차수 유형에 따라 정밀도의 변동성이 높았는데, 들어오는 차수를 사용할 경우 무작위보다 略로 높은 정밀도(약 0.6)에서부터 시작하여, 나가는 차수를 사용할 경우 약 0.6 이상의 정밀도를 기록했다.
• 보완 네트워크 방법은 들어오는 차수를 사용했을 때 가장 우수한 성능을 보였지만, 전반적으로 보면 나가는 차수 특징을 사용한 역 방법이 가장 일관되고 정확한 결과를 도출했다.