[논문 리뷰] Influential Node Detection in Implicit Social Networks using Multi-task Gaussian Copula Models

Qunwei Li, Bhavya Kailkhura외 3명|arXiv (Cornell University)|2016. 11. 30.

Complex Network Analysis Techniques참고 문헌 12인용 수 7

한 줄 요약

이 논문은 네트워크 구조가 알려져 있지 않은 암시적 소셜 네트워크에서 영향력 있는 노드를 탐지하고 시계열 볼륨을 예측하기 위해 다중 작업 저질러지기 가우시안 커플라 모델을 제안한다. 커플라 이론을 통해 다중 주제 간 의존성을 모델링하고 영향 행렬에 저질러지기 구조를 강제함으로써, 합성 데이터와 ISIS 트위터 데이터에서 최신 기술(SOTA)을 초월하여 볼륨 예측 정확도와 영향력 있는 노드 식별 능력을 향상시킨다.

ABSTRACT

Influential node detection is a central research topic in social network analysis. Many existing methods rely on the assumption that the network structure is completely known \ extit{a priori}. However, in many applications, network structure is unavailable to explain the underlying information diffusion phenomenon. To address the challenge of information diffusion analysis with incomplete knowledge of network structure, we develop a multi-task low rank linear influence model. By exploiting the relationships between contagions, our approach can simultaneously predict the volume (i.e. time series prediction) for each contagion (or topic) and automatically identify the most influential nodes for each contagion. The proposed model is validated using synthetic data and an ISIS twitter dataset. In addition to improving the volume prediction performance significantly, we show that the proposed approach can reliably infer the most influential users for specific contagions.

연구 동기 및 목표

• 기본 네트워크 구조가 알려져 있거나 이용 가능하지 않은 암시적 소셜 네트워크에서 영향력 있는 노드 탐지 문제를 다루는 것.
• 다양한 전염병(주제) 간 의존성을 활용하여 정보 확산 볼륨의 시계열 예측 정확도를 향상시키는 것.
• 명시적 네트워크 구조를 요구하지 않고도 영향 구조를 공동으로 학습하고 확산 동역학을 예측하는 것.
• 제안된 다중 작업 영향 모델을 위한 확장 가능하고 효율적인 추론 알고리즘 개발

제안 방법

• 공유된 저질러지기 구조를 사용하여 K개 주제 전반에서 볼륨과 영향을 동시에 예측하는 다중 작업 선형 영향 모델(LIM)을 수립한다.
• 다른 전염병(주제) 간의 의존성 구조를 모델링하기 위해 가우시안 커플라 이론을 활용하여 양의 및 음의 상관관계를 포괄한다.
• 노드와 주제 간의 클러스터링 패턴을 포착하기 위해 영향 행렬에 저질러지기 정규화를 도입한다.
• 비볼록 최적화 문제를 효율적으로 해결하기 위해 교대 최적화와 함께 프록시멀 기울기 방법을 사용한다.
• 영향의 감쇠를 모델링하기 위해 시간 지연된 영향 함수를 통합한다(L=5 시간 단위).
• 커플라 기반 의존성 모델링을 통한 정규화된 최소 제곱 목표 함수 최적화를 통해 각 노드와 주제별 영향 스코어를 추정한다.

실험 결과

연구 질문

• RQ1 네트워크 구조가 알려져 있지 않은 암시적 네트워크에서 시계열 볼륨 예측을 어떻게 향상시킬 수 있는가?
• RQ2 주제 간 의존성을 모델링하면 영향 구조 추정 및 볼륨 예측 정확도가 향상되는가?
• RQ3 다중 작업 확산 모델링에서 영향 행렬 학습에 저질러지기 구조가 미치는 영향은 무엇인가?
• RQ4 실제 데이터셋에서 원시 트윗 수 기반으로 탐지된 영향력 있는 노드와 모델이 탐지한 노드는 어떻게 비교되는가?
• RQ5 제안된 모델은 복잡한 실세계 소셜 미디어 데이터에서 특정 주제에 대해 영향력 있는 사용자를 신뢰성 있게 탐지할 수 있는가?

주요 결과

• 제안된 방법은 ISIS 트위터 데이터셋에서 볼륨 예측 MSE 0.329를 달성하여, MSE가 2.7인 MSLIM을 크게 능가했다.
• 모델은 총 트윗 수와 상관관계가 없는 영향 스코어를 가진 영향력 있는 사용자를 성공적으로 탐지하여, 영향력이 활동 수준의 함수가 아님을 입증했다.
• 주제 간 강력한 양의 상관관계가 학습되어 예측 성능 향상에 기여했다.
• 다양한 주제에서 높은 최대 영향 스코어를 가진 사용자는 종종 가장 활동적인 트위터가 아니었으며, 이는 모델이 활동은 적지만 영향력은 큰 사용자를 탐지할 수 있음을 시사한다.
• 평균 영향 임계값(≥1.3)과 최대 영향 임계값(≥1.8)을 기준으로 선별한 사용자 유니온은 다양한 주제 기반 영향력 패턴을 가진 핵심 영향력 있는 사용자를 포괄했다.
• 상위 9명의 영향력 있는 사용자 시각화 결과, 이들의 트윗 분포가 주제 간에 매우 다양함을 확인하여, 이들이 다중 주제 확산 허브 역할을 하고 있음을 확인했다.