[논문 리뷰] Friendship Prediction in Composite Social Networks

Erheng Zhong, Evan Wei Xiang외 3명|arXiv (Cornell University)|2014. 02. 17.

Complex Network Analysis Techniques참고 문헌 35인용 수 10

한 줄 요약

이 논문은 복합 네트워크 간에 중복되는 사용자를 활용하여 희소한 사회적 네트워크에서 친구 관계를 예측하는 계층적 베이지안 모델인 ComFP를 제안한다. 사용자별 적응형 사전 확률과 네트워크별 사전 확률을 조합함으로써 공통된 사회적 관심사를 포착하면서도 네트워크 간의 차이를 고려하여, 아홉 개의 실세계 데이터셋에서 최신 기준 모델 대비 평균 평균 정밀도(MAP)를 최대 0.11 향상시키는 데 성공했다.

ABSTRACT

Friendship prediction is an important task in social network analysis (SNA). It can help users identify friends and improve their level of activity. Most previous approaches predict users' friendship based on their historical records, such as their existing friendship, social interactions, etc. However, in reality, most users have limited friends in a single network, and the data can be very sparse. The sparsity problem causes existing methods to overfit the rare observations and suffer from serious performance degradation. This is particularly true when a new social network just starts to form. We observe that many of today's social networks are composite in nature, where people are often engaged in multiple networks. In addition, users' friendships are always correlated, for example, they are both friends on Facebook and Google+. Thus, by considering those overlapping users as the bridge, the friendship knowledge in other networks can help predict their friendships in the current network. This can be achieved by exploiting the knowledge in different networks in a collective manner. However, as each individual network has its own properties that can be incompatible and inconsistent with other networks, the naive merging of all networks into a single one may not work well. The proposed solution is to extract the common behaviors between different networks via a hierarchical Bayesian model. It captures the common knowledge across networks, while avoiding negative impacts due to network differences. Empirical studies demonstrate that the proposed approach improves the mean average precision of friendship prediction over state-of-the-art baselines on nine real-world social networking datasets significantly.

연구 동기 및 목표

• 단일 네트워크의 친구 관계 예측에서 발생하는 데이터 희소성 문제, 특히 신규이거나 희소한 사회적 네트워크에서의 문제를 해결하기 위해.
• 다양한 사회적 네트워크 간 중복 사용자를 다리로 삼아 유용한 친구 관계 지식을 전이하기 위해.
• 네트워크 간 공통된 사회적 관심사를 모델링하면서도 네트워크별 고유한 구조적 차이를 유지하기 위해.
• 이질적인 네트워크 특성을 간단히 통합하지 않고도 확장 가능하고 유연한 프레임워크를 개발하기 위해.
• 다양한 네트워크에서의 보조 지식을 체계적이고 확률론적인 방식으로 통합함으로써 예측 정확도를 향상시키기 위해.

제안 방법

• ComFP는 두 가지 유형의 사전 확률을 사용하는 계층적 베이지안 모델이다: 모든 네트워크 전반에서 전역적인 사회적 관심사를 포착하는 적응형 사용자별 사전 확률과, 각 네트워크의 고유한 구조적 특성을 모델링하는 네트워크별 사전 확률.
• 모델은 혼합 소속도를 사용하여 사용자를 공동체의 확률적 조합으로 표현하며, 링크 발생 확률은 공동체 소속도와 공동체 간 관계에 의해 결정된다.
• 보조 지식의 영향과 대상 네트워크의 고유한 특성 간 균형을 맞추기 위해 하이브리드 사전 확률을 도입한다.
• 유도적 베이지안 방법을 사용하여 잠재 변수, 공동체 소속도, 모델 파라미터를 추정함으로써 대규모 데이터셋에서도 확장 가능한 학습을 가능하게 한다.
• 이 프레임워크는 임의의 수의 네트워크를 지원하며, 네트워크 밀도와 구조적 차이에 따라 동적으로 사전 확률을 조정한다.
• 확장성과 유연성을 고려하여 설계되었으며, 대규모 배포를 위해 Map/Reduce와 같은 분산 시스템에서도 구현 가능하다.

실험 결과

연구 질문

• RQ1 다양한 사회적 네트워크 간 중복 사용자를 효과적으로 활용하여 희소한 네트워크에서의 친구 관계 예측을 향상시킬 수 있는가?
• RQ2 네트워크 간 고유한 구조적 차이의 영향을 최소화하면서도 여러 네트워크에서 공통된 사회적 지식을 효과적으로 추출할 수 있는가?
• RQ3 적응형 사용자 사전 확률과 네트워크별 사전 확률이 단일 네트워크 모델에 비해 예측 성능을 얼마나 향상시킬 수 있는가?
• RQ4 혼합 소속도를 가진 계층적 베이지안 모델이 복합 네트워크 전반에서 공동체 수준의 사회적 관심사를 효과적으로 포착할 수 있는가?
• RQ5 제안된 방법은 밀도와 구조가 다양하게 변하는 다양한 실세계 사회적 네트워크 데이터셋에서 어떻게 확장성과 성능을 유지하는가?

주요 결과

• ComFP는 아홉 개의 실세계 사회적 네트워크 데이터셋에서 친구 관계 예측의 평균 평균 정밀도(MAP)를 크게 향상시켜 최신 기준 모델을 최대 0.11 MAP 향상으로 압도했다.
• 개별 네트워크가 희소하더라도 중복 사용자를 통해 보조 네트워크에서 지식을 전이함으로써 데이터 희소성을 효과적으로 완화했다.
• 적응형 사용자 사전 확률과 네트워크별 사전 확률의 조합을 통해 공통된 사회적 관심사와 네트워크별 구조적 특성을 동시에 포착함으로써 예측 정확도를 향상시켰다.
• 실험 결과는 ComFP가 네트워크 간 차이를 간과하거나 모든 관계를 동일하게 취급하는 방법들보다 일관되게 뛰어난 성능을 보임을 입증했다.
• 프레임워크는 다양한 네트워크 유형에 대해 강건하며, 네트워크 밀도와 공동체 구조가 크게 변하더라도 높은 성능을 유지한다.