[논문 리뷰] Discriminative Modeling of Social Influence for Prediction and Explanation in Event Cascades.

Sandeep Soni, Shawn Ling Ramirez외 1명|arXiv (Cornell University)|2018. 02. 16.

Opinion Dynamics and Social Influence참고 문헌 30인용 수 1

한 줄 요약

이 논문은 관찰 데이터에서 이벤트 캐스케이드의 사회적 영향을 탐지하기 위해 분류적 랭킹 방법을 제안하며, 영향 관련 특징이 없는 기준 모델 대비 검증 데이터에서의 정확도를 사용한다. 이는 합성 데이터와 실제 데이터(미국 하원 공동 서명 및 힉스 보손 소문) 모두에서 영향을 성공적으로 식별하며, 오염 요인과 누락 데이터에 대해 강건성을 유지하면서 예측 정확도를 향상시킨다.

ABSTRACT

The global dynamics of event cascades are often governed by the local dynamics of peer influence. However, detecting social influence from observational data is challenging, due to confounds like homophily and practical issues like missing data. In this work, we propose a novel discriminative method to detect influence from observational data. The core of the approach is to train a ranking algorithm to predict the source of the next event in a cascade, and compare its out-of-sample accuracy against a competitive baseline which lacks access to features corresponding to social influence. Using synthetically generated data, we provide empirical evidence that this method correctly identifies influence in the presence of confounds, and is robust to both missing data and misspecification --- unlike popular alternatives. We also apply the method to two real-world datasets: (1) cascades of co-sponsorship of legislation in the U.S. House of Representatives, on a social network of shared campaign donors; (2) rumors about the Higgs boson discovery, on a follower network of $10^5$ Twitter accounts. Our model identifies the role of peer influence in these scenarios, and uses it to make more accurate predictions about the future trajectory of cascades.

연구 동기 및 목표

• 동반자 효과나 누락 데이터 등 오염 요인이 진정한 영향을 가리키는 관찰 데이터에서 이벤트 캐스케이드의 사회적 영향을 탐지하는 문제를 해결하기 위해.
• 실제 사회적 상호작용에서 진정한 동료 영향과 허위 상관관계를 구분할 수 있는 방법을 개발하기 위해.
• 네트워크 데이터에서 사회적 영향을 식별하고 활용하여 캐스케이드 경로의 예측 정확도를 향상시키기 위해.
• 복잡한 사회적 과정에서 영향 메커니즘을 설명 가능한 해석을 제공하기 위해.

제안 방법

• 네트워크 특징을 기반으로 캐스케이드에서 다음 이벤트의 원인을 예측하기 위해 랭킹 알고리즘을 훈련한다.
• 모델의 검증 데이터 정확도를 영향 관련 특징을 제외한 기준 모델과 비교한다.
• 합성 데이터를 사용하여 오염 요인과 데이터 부족 상황에서도 영향을 탐지할 수 있는지 검증한다.
• 실제 데이터셋에 적용한다: 미국 하원 공동 서명 네트워크 및 트위터 소문 캐스케이드.
• 공동 기부자와 팔로워 관계를 기반으로 한 네트워크 구조를 활용해 영향 특징을 정의한다.
• 생성 가능도가 아닌 캐스케이드 진행 예측 성능 최적화를 위해 분류적 훈련을 사용한다.

실험 결과

연구 질문

• RQ1 동반자 효과와 같은 오염 요인이 존재할 때, 분류적 방법이 이벤트 캐스케이드에서 사회적 영향을 신뢰성 있게 탐지할 수 있는가?
• RQ2 기존 접근 방식과 비교해 볼 때, 누락 데이터와 모델 부정확성 상황에서 이 방법의 성능은 어떠한가?
• RQ3 식별된 영향을 통합할 경우, 향후 캐스케이드 이벤트의 예측 정확도는 얼마나 향상되는가?
• RQ4 실제 캐스케이드, 예를 들어 입법 공동 서명과 바이러스성 소문에서 동료 영향은 어떤 역할을 하는가?

주요 결과

• 제안된 방법은 동반자 효과와 누락 데이터로 오염된 합성 데이터에서도 사회적 영향을 정확히 식별한다.
• 이 방법은 데이터 부족과 모델 부정확성에 대해 강건성을 보이며, 이러한 상황에서 기존의 인기 있는 대안보다 뛰어난 성능을 보인다.
• 미국 하원 공동 서명 네트워크에서는 기부자 공유 관계를 기반으로 영향력 있는 의회 의원을 식별하여 캐스케이드 예측을 향상시킨다.
• 트위터에서의 힉스 보손 소문 캐스케이드에서는 정보 확산을 이끄는 핵심 재트윗 사용자를 탐지하여 경로 예측을 향상시킨다.
• 분류적 접근은 영향 관련 특징이 없는 기준 모델보다 더 높은 검증 데이터 정확도를 달성하여, 식별된 영향의 예측가치를 확인한다.
• 이 방법은 예측을 넘어서 캐스케이드 역학을 설명할 수 있는 해석 가능한 통찰을 제공한다.