[논문 리뷰] Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)

Neil Zhenqiang Gong, Ameet Talwalkar외 5명|arXiv (Cornell University)|2011. 12. 15.

Complex Network Analysis Techniques참고 문헌 37인용 수 57

한 줄 요약

이 논문은 사회적 속성 네트워크(SAN) 프레임워크를 확장하여 지도학습 및 비지도학습 링크 예측 및 속성 추론 알고리즘을 통합함으로써, 누락된 속성을 추론하는 것이 링크 예측 정확도를 향상시킨다는 것을 입증한다. 대규모 공개 Google+ 데이터셋을 사용하여, 다양한 알고리즘에서 일관된 성능 향상을 보이며, SAN에서 속성 추론이 링크 예측 성능을 향상시킨다는 것을 입증한다.

ABSTRACT

The eects of social inuence and homophily suggest that both network structure and node attribute information should inform the tasks of link prediction and node attribute inference. Recently, Yin et al. [28, 29] proposed Social-Attribute Network (SAN), an attribute-augmented social network, to integrate network structure and node attributes to perform both link prediction and attribute inference. They focused on generalizing the random walk with restart algorithm to the SAN framework and showed improved performance. In this paper, we extend the SAN framework with several leading supervised and unsupervised link prediction algorithms and demonstrate performance improvement for each algorithm on both link prediction and attribute inference. Moreover, we make the novel observation that attribute inference can help inform link prediction, i.e., link prediction accuracy is further improved by rst inferring missing attributes. We comprehensively evaluate these algorithms and compare them with other existing algorithms using a novel, largescale Google+ dataset, which we make publicly available 1 .

연구 동기 및 목표

• 통합된 프레임워크 내에서 네트워크 구조와 노드 속성을 결합하여 링크 예측 및 노드 속성 추론을 향상시키는 것.
• 두 작업 모두를 위한 최신 지도학습 및 비지도학습 학습 알고리즘을 사용하여 사회적 속성 네트워크(SAN) 모델을 확장하는 것.
• 속성 추론이 링크 예측 성능 향상의 사전 단계로 기능할 수 있는지 조사하는 것.
• 공개된 새로운 대규모 Google+ 데이터셋을 사용하여 제안된 확장 기법을 평가하는 것.
• SAN 프레임워크 내에서 기존 알고리즘과의 포괄적 비교를 제공하는 것.

제안 방법

• 노드 임bedding 및 행렬 분해 기법과 같은 지도학습 및 비지도학습 링크 예측 알고리즘을 포함하여 사회적 속성 네트워크(SAN) 프레임워크를 보완한다.
• 속성 추론을 링크 예측 파이프라인에 통합하여, 추론된 속성을 입력 특징으로 사용함으로써 링크 예측 성능을 향상시킨다.
• 링크 예측과 속성 추론을 SAN 프레임워크 내에서 공동 최적화하는 다중 작업 학습 접근법을 채택한다.
• 랜덤 워크 리스타트 알고리즘을 SAN 환경에 적응시켜, 속성 보강된 네트워크로의 적용 가능성을 확장한다.
• 네트워크 토폴로지와 노드 속성을 모두 저차원 임베딩으로 인코딩하기 위해 특징 표현 학습을 적용한다.
• 실제 사회적 상호작용과 사용자 속성에서 수집된 Google+ 데이터셋을 사용하여 대규모 환경에서 모델의 훈련 및 평가를 수행한다.

실험 결과

연구 질문

• RQ1 지난 지도학습 및 비지도학습 링크 예측 알고리즘이 SAN 프레임워크 내에서 효과적으로 확장되어 성능 향상을 이룰 수 있는가?
• RQ2 링크 예측 이전에 누락된 노드 속성을 추론하는 것이 링크 예측 정확도에 측정 가능한 향상 효과를 가져오는가?
• RQ3 제안된 방법은 링크 예측 및 속성 추론 작업에서 기존 알고리즘과 비교하여 성능 면에서 어떻게 다른가?
• RQ4 속성 정보의 통합이 사회 네트워크에서 링크 예측 모델의 예측 능력을 어느 정도 향상시키는가?
• RQ5 누락된 링크 및 누락된 속성을 예측할 때 네트워크 구조와 노드 속성 중 어느 것이 상대적으로 더 큰 기여를 하는가?

주요 결과

• 속성 추론을 사전 처리 단계로 통합함으로써 링크 예측 정확도가 크게 향상되었으며, 이는 두 작업 간 상호 이점이 있음을 입증한다.
• 검토된 모든 지도학습 및 비지도학습 알고리즘이 기존 기준 방법 대비 확장된 SAN 프레임워크 내에서 성능 향상을 보였다.
• 제안된 프레임워크는 대규모 Google+ 데이터셋에서 여러 평가 지표에서 일관된 성능 향상을 기록하여, 확장성과 견고성을 입증한다.
• 저자는 속성 추론이 링크 예측에 의미 있는 기여를 한다고 관찰하였으며, 이는 누락된 속성이 예측 신호의 중요한 원천임을 시사한다.
• 공개된 Google+ 데이터셋은 링크 예측 및 속성 추론 연구의 재현 가능성과 향후 벤치마킹을 가능하게 한다.
• 확장된 SAN 프레임워크는 특히 희소하거나 손실된 속성 데이터가 존재하는 상황에서 기존 알고리즘보다 링크 예측 및 속성 추론 모두에서 뛰어난 성능을 보였다.