[논문 리뷰] Efficient Top-K Retrieval in Online Social Tagging Networks

Silviu Maniu, Bogdan Cautis|arXiv (Cornell University)|2011. 04. 08.

Data Management and Algorithms참고 문헌 19인용 수 7

한 줄 요약

이 논문은 사용자 간의 사회적 네트워크를 활용하여 접근성에 따라 태깅 동작을 가중치화하는 효율적이고 온라인 기반의 TOPKS 알고리즘을 제안한다. 사전 계산 없이 실시간으로 점수를 계산하며, 순수 사회적 환경에서의 인스턴스 최적성(instance optimality)을 달성하고, 정밀도 손실을 최소화하면서도 응답 시간을 크게 단축한다. 이는 실세계 데이터를 바탕으로 검증되었다.

ABSTRACT

We consider in this paper top-k query answering in social tagging systems, also known as folksonomies. This problem requires a significant departure from existing, socially agnostic techniques. In a network-aware context, one can (and should) exploit the social links, which can indicate how users relate to the seeker and how much weight their tagging actions should have in the result build-up. We propose an algorithm that has the potential to scale to current applications. While the problem has already been considered in previous literature, this was done either under strong simplifying assumptions or under choices that cannot scale to even moderate-size real world applications. We first consider a key aspect of the problem, which is accessing the closest or most relevant users for a given seeker. We describe how this can be done on the fly (without any pre-computations) for several possible choices - arguably the most natural ones - of proximity computation in a user network. Based on this, our top-k algorithm is sound and complete, while addressing the scalability issues of the existing ones. Importantly, our technique is instance optimal in the case when the search relies exclusively on the social weight of tagging actions. To further reduce response times, we then consider directions for efficiency by approximation. Extensive experiments on real world data show that our techniques can drastically improve the response time, without sacrificing precision.

연구 동기 및 목표

• 기존의 top-k 검색 방법이 사회적 태깅 시스템에서 가지는 확장성과 적용 가능성의 한계를 해결한다.
• 사회적 네트워크, 태그, 쿼리가 동적으로 변화할 수 있는 실시간 온라인 쿼리 처리를 가능하게 한다.
• 비용이 많이 들지 않는 사전 계산에 의존하지 않고 사회적 거리 정보를 활용해 태깅 동작을 가중치화하는 방법을 개발한다.
• 낮은 응답 시간을 최적화하면서도 결과 순위 매기기에 타당성과 완전성을 확보한다.
• 정밀도 손실 없이 계산 비용을 추가로 줄일 수 있는 근사 기법을 탐색한다.

제안 방법

• 다양한 유사도 함수(예: 최단 경로, 가중 유사도)를 사용해 사용자 네트워크의 실시간 접근성 계산 메커니즘을 제안한다.
• 근처 사용자들의 기여를 기반으로 높은 점수를 가진 항목을 식별하기 위해 사회적 네트워크를 반복적으로 탐색하는 top-k 검색 알고리즘(TOPKS)을 도입한다.
• 우선순위 큐를 활용한 분기 및 범위 절단 전략을 통해 탐색 공간을 효율적으로 잘라내며, 가장 관련성이 높은 사용자와 그들이 태깅한 항목에 집중한다.
• 태그의 관련성과 사회적 가중치를 조합한 점수 모델을 사용하며, 사용자의 영향력은 탐색자에 대한 그의 접근성에 의해 결정된다.
• 사회적 탐색의 깊이를 제한하고 통계적 경계를 사용해 계산 비용을 줄이기 위해 근사 기법을 적용한다.
• 다양한 접근성 함수(fmul, fpow 등)를 지원하며, 쿼리 실행 중에 동적으로 사회적 점수를 계산한다.

실험 결과

연구 질문

• RQ1 사전에 계산된 접근성 값에 의존하지 않고도 온라인 사회적 북마크 시스템에서 top-k 검색을 어떻게 효율적으로 수행할 수 있는가?
• RQ2 다양한 사회적 접근성 함수(예: 최단 경로, 유사도 기반)가 검색 성능과 확장성에 어떤 영향을 미치는가?
• RQ3 순수 사회적 환경에서 top-k 알고리즘이 타당성과 완전성을 유지하면서도 인스턴스 최적성을 달성할 수 있는가?
• RQ4 실세계 사회적 태깅 워크로드에서 근사 기법을 통해 응답 시간을 얼마나 줄일 수 있으며, 정밀도 손실을 수용 가능한 수준으로 유지할 수 있는가?
• RQ5 실제 데이터셋에서 기존 방법과 비교해 제안된 방법의 효율성과 정확도는 어떠한가?

주요 결과

• TOPKS 알고리즘은 순수 사회적 환경에서 인스턴스 최적성을 달성한다. 즉, 주어진 입력 인스턴스에 대해 최고의 알고리즘과 동일한 성능을 보인다.
• 실세계 데이터를 대상으로 한 광범위한 실험 결과, TOPKS는 정밀도 손실을 최소화하면서도 이전 방법 대비 응답 시간을 크게 단축시킨다.
• 근사 기법을 통해 계산 비용을 극적으로 줄일 수 있었으며, 높은 정확도를 유지함으로써 대규모 온라인 응용에 적합함을 입증했다.
• 다양한 접근성 함수를 지원하며, 사회적 연결이 암묵적이거나 태깅 행동에서 유도된 경우에도 효과적으로 작동한다.
• 특히 장꼬리 항목에 대해, 가까운 사용자들의 태깅 행동에 초점을 맞춘 개인화 기반 모델이 비개인화 모델보다 뛰어난 성능을 보였다.
• 사회적 네트워크, 태깅 데이터 또는 쿼리가 실시간으로 동적으로 변화하더라도 알고리즘은 확장성과 효율성을 유지한다.