[논문 리뷰] Inferring Multiplex Diffusion Network via Multivariate Marked Hawkes Process

Peiyuan Sun, Jianxin Li외 3명|arXiv (Cornell University)|2018. 08. 24.

Diffusion and Search Dynamics참고 문헌 19인용 수 3

한 줄 요약

이 논문은 다층 사회 네트워크 구조를 다중변량 마킹 허크스 과정과 토픽 모델링을 결합하여 추론하는 베이지안 생성 모델인 멀티플렉스 디퓨전 모델(MDM)을 제안한다. 이벤트 타임스탬프와 콘텐츠 의미를 활용하여 MDM은 계층적 네트워크 구조와 영향력 강도를 함께 추론하며, 합성 및 실세계 데이터셋에서 네트워크 추론 AUC 측면에서 베이스라인을 능가한다.

ABSTRACT

Understanding the diffusion in social network is an important task. However, this task is challenging since (1) the network structure is usually hidden with only observations of events like "post" or "repost" associated with each node, and (2) the interactions between nodes encompass multiple distinct patterns which in turn affect the diffusion patterns. For instance, social interactions seldom develop on a single channel, and multiple relationships can bind pairs of people due to their various common interests. Most previous work considers only one of these two challenges which is apparently unrealistic. In this paper, we study the problem of \emph{inferring multiplex network} in social networks. We propose the Multiplex Diffusion Model (MDM) which incorporates the multivariate marked Hawkes process and topic model to infer the multiplex structure of social network. A MCMC based algorithm is developed to infer the latent multiplex structure and to estimate the node-related parameters. We evaluate our model based on both synthetic and real-world datasets. The results show that our model is more effective in terms of uncovering the multiplex network structure.

연구 동기 및 목표

• 관찰된 이벤트 타임스탬프와 콘텐츠만으로 은닉된 다층 네트워크 구조를 추론하는 데 도전하는 데 목적을 두며.
• 동일한 노드 쌍 간에 공존하는 다양한 상호작용 계층(예: 정치, 스포츠, 라이프스타일) 간의 이질적인 영향 패턴을 모델링하는 데 목적을 두며.
• 토픽 모델링을 통해 콘텐츠 의미를 통합하여 다층 네트워크 내에서 서로 다른 디퓨전 채널을 구분하는 데 목적을 두며.
• 복잡한 계층적 네트워크 구조에서의 비가역적 사후분포를 다룰 수 있는 확장 가능한 추론 알고리즘을 개발하는 데 목적을 두며.
• 다층성과 콘텐츠 기반 영향 경로를 명시적으로 모델링하여 네트워크 구조 추론 정확도를 향상시키는 데 목적을 두며.

제안 방법

• 다중 계층 상호작용에서의 확산의 시간 동적 특성을 모델링하기 위해 다중변량 마킹 허크스 과정을 수립한다.
• 혼합 소속 토픽 모델을 통합하여 각 확산 이벤트에 콘텐츠 토픽을 할당함으로써 계층별 영향력 모델링을 가능하게 한다.
• 은닉된 다층 네트워크 구조, 영향력 파라미터, 토픽 할당을 함께 추론하기 위해 메트로폴리스-인사이드-지브스 MCMC 알고리즘을 사용한다.
• 간선에 슬랩-앤플라이크 프라이어르를 적용하여 희박성 강화 및 다층 구조 탐지 지원을 도모한다.
• 각 노드의 영향력을 계층 간 주제별 전파 속도의 함수로 모델링한다.
• 이벤트 타임스탬프와 텍스트 콘텐츠를 모두 활용하여 동일한 노드 쌍 간의 다중 상호작용 채널을 구분한다.

실험 결과

연구 질문

• RQ1 타임스탬프가 기록되고 콘텐츠가 풍부한 확산 이벤트로부터 통합된 확률 모델이 다층 네트워크 구조와 영향력 파라미터를 함께 추론할 수 있는가?
• RQ2 콘텐츠 정보를 통합할 경우, 이벤트 타이밍에만 의존하는 모델에 비해 은닉된 네트워크 구조 추론 정확도가 얼마나 향상되는가?
• RQ3 콘텐츠 유사성과 시간적 확산 패턴을 기반으로 모델이 계층적 공동체 구조를 어느 정도 탐지할 수 있는가?
• RQ4 다양한 네트워크 복잡도에서 네트워크 추론 AUC 측면에서 최첨단 베이스라인과 비교해 모델의 성능은 어떠한가?
• RQ5 레이어 수 증가가 모델의 추론 성능 및 확장성에 어떤 영향을 미치는가?

주요 결과

• MDM 모델은 모든 세 개의 실세계 데이터셋에서 네트워크 추론 AUC 측면에서 베이스라인 모델을 일관되게 능가하며, 가장 작은 데이터셋(dataset1)에서 가장 뛰어난 성능을 보였다.
• 레이어 수가 증가함에 따라 성능이 약간 저하되며, 이는 각 레이어당 이벤트 밀도가 낮아 신뢰할 수 있는 학습이 어려운 데 기인할 가능성이 있다.
• 한 개 간선당 평균 이벤트 수가 높은 데이터셋에서 AUC가 향상되어 더 풍부한 데이터에서 더 나은 성능을 보였다.
• 콘텐츠 의미를 통합함으로써 동일한 노드 쌍 간의 다중 상호작용 채널을 구분하는 데 모델의 능력이 크게 향상되었다.
• 모델은 확산 콘텐츠를 기반으로 주제 선호도(예: 정치, 스포츠, 라이프스타일)에 부합하는 공동체 구조를 성공적으로 탐지하였다.
• MCMC 기반 추론 알고리즘이 비가역적 사후분포를 효과적으로 탐색하여 네트워크 구조, 영향력 강도, 토픽 소속도를 함께 추정하는 데 기여하였다.