[논문 리뷰] Inferring User Preferences by Probabilistic Logical Reasoning over Social Networks

Jiwei Li, Alan Ritter외 1명|arXiv (Cornell University)|2014. 11. 11.

Data Management and Algorithms참고 문헌 87인용 수 14

한 줄 요약

이 논문은 추출된 속성과 관계에 대한 확률적 논리적 추론을 통해 소셜 네트워크에서 사용자 선호도를 추론하는 이단계 프레임워크를 제안한다. 트위터 텍스트에서 사용자 속성(예: 위치, 직업, 배우자)과 선호도를 추출하기 위해 원거리 지도 학습, 준지도 학습 기반 데이터 수확, 벡터 공간 모델을 조합하고, 이후 마르코프 논리 네트워크와 확률적 소프트 논리 기반으로 관계 기반 추론을 수행하여 선호도 예측에서 F-스코어 0.791을 달성한다. 이는 강력한 베이스라인을 크게 뛰어넘는 성능이다.

ABSTRACT

We propose a framework for inferring the latent attitudes or preferences of users by performing probabilistic first-order logical reasoning over the social network graph. Our method answers questions about Twitter users like {\em Does this user like sushi?} or {\em Is this user a New York Knicks fan?} by building a probabilistic model that reasons over user attributes (the user's location or gender) and the social network (the user's friends and spouse), via inferences like homophily (I am more likely to like sushi if spouse or friends like sushi, I am more likely to like the Knicks if I live in New York). The algorithm uses distant supervision, semi-supervised data harvesting and vector space models to extract user attributes (e.g. spouse, education, location) and preferences (likes and dislikes) from text. The extracted propositions are then fed into a probabilistic reasoner (we investigate both Markov Logic and Probabilistic Soft Logic). Our experiments show that probabilistic logical reasoning significantly improves the performance on attribute and relation extraction, and also achieves an F-score of 0.791 at predicting a users likes or dislikes, significantly better than two strong baselines.

연구 동기 및 목표

• 트위터와 같은 플랫폼에서 명시적 데이터가 부족하거나 존재하지 않을 경우 잠재적 사용자 선호도를 추론하는 데 도전하는 것.
• 소셜 네트워크에서의 텍스트 마이닝과 관계 기반 추론을 융합하여 속성 및 관계 추출의 커버리지 향상.
• 유사성 원리와 소셜 네트워크 구조를 활용하여 유사성 원리와 소셜 네트워크 구조를 활용하여 사용자 선호도를 확률적 일阶논리로 모델링하는 것.
• 관계 기반 추론 프레임워크인 마르코프 논리 네트워크와 확률적 소프트 논리의 효과성을 평가하여 사용자 선호도 및 속성을 예측하는 데 기여하는 것.
• 확률적 논리적 추론 통합이 기존 방법에 비해 예측 성능을 크게 향상시킨다는 것을 입증하는 것.

제안 방법

• 트위터 텍스트에서 사용자 속성(예: 직업, 교육, 배우자)과 선호도(예: 좋아요/싫어요)를 추출하기 위해 원거리 지도 학습과 준지도 학습 기반 데이터 수확을 사용한다.
• 벡터 공간 모델을 적용하여 사용자 게시물의 표현 및 분류를 수행하여 속성 및 관계 추출을 수행한다.
• 일阶논리 술어(예: Work-in-IT-company(A) ⇒ like-electronic-device 확률 0.242)로 구성된 확률적 지식 기반을 구축한다.
• 추출된 사실의 네트워크를 기반으로 마르코프 논리 네트워크(MLN)와 확률적 소프트 논리(PSL)를 사용하여 전역적인 확률적 추론을 수행한다.
• 유사성 원리(유사한 속성 또는 사회적 유대를 가진 사용자들은 선호도를 공유하는 경향이 있음)를 활용하여 관계 기반 추론을 이끌어낸다.
• 사용자 속성, 사회적 관계(친구, 배우자), 그리고 맥락적 특징의 증거를 통합하여 잠재적 선호도 및 속성을 예측한다.

실험 결과

연구 질문

• RQ1 명시적 선호도 데이터가 없을 경우 확률적 논리적 추론이 사용자 선호도 예측 정확도를 향상시킬 수 있는가?
• RQ2 텍스트 마이닝과 관계 기반 추론을 융합하여 비정형 소셜 미디어 텍스트에서 사용자 속성과 관계를 얼마나 잘 추론할 수 있는가?
• RQ3 마르코프 논리 네트워크와 확률적 소프트 논리는 사회 네트워크 기반 선호도 추론을 모델링하는 데 얼마나 효과적인가?
• RQ4 사회적 유대를 통해 유사성 효과를 통합할 경우 예측 성능이 유의미하게 향상되는가?
• RQ5 이 프레임워크는 다양한 사용자 속성(예: 위치, 성별, 직업)과 선호도(예: 스시 좋아함, 뉴욕 킬러스 팬)에 대해 일반화 가능한가?

주요 결과

• 이 프레임워크는 사용자 선호도(좋아요/싫어요) 예측에서 F-스코어 0.791을 달성하여 두 개의 강력한 베이스라인을 크게 뛰어넘는다.
• 소셜 네트워크 기반의 확률적 논리적 추론은 속성 및 관계 추출 작업 전반에서 성능 향상을 이룬다.
• 텍스트 기반 속성 추출과 관계 기반 추론의 통합은 직접 추출만으로는 달성할 수 없는 커버리지 및 정확도 향상을 이룬다.
• 유사성 원리를 관계 기반 유도적 편향으로 활용함으로써, 특히 명시적 프로필이 부족한 사용자에 대해 추론 품질을 향상시킨다.
• 성별, 교육, 위치, 관계 예측 등 다양한 예측 작업에 대해 프레임워크가 일반화 가능함을 입증한다.
• 명시적 언급이 부족한 탓에 재현율이 낮지만, 논리적 전파를 통해 잠재적 속성과 선호도를 효과적으로 추론한다.