[논문 리뷰] Predicting Positive and Negative Links in Online Social Networks

Jure Leskovec, Daniel P. Huttenlocher외 1명|arXiv (Cornell University)|2010. 03. 11.

Complex Network Analysis Techniques참고 문헌 21인용 수 141

한 줄 요약

이 논문은 로컬 네트워크 이웃의 구조적 특징을 사용하여 온라인 소셜 네트워크 내 링크의 부호(양성 또는 음성)를 예측하기 위한 머신러닝 프레임워크를 제안한다. 음성 간선 정보를 통합할 경우 예측 정확도가 크게 향상됨을 보여주며, 특히 위키백과에서는 성능이 0.6983에서 0.7114로 상승한다. 또한 에피노니어스, 슬래시닷, 위키백과와 같은 다양한 플랫폼에서 링크 형성의 배경에 지역적 구조적 균형과 지위 이론이 존재함을 밝혀낸다.

ABSTRACT

We study online social networks in which relationships can be either positive (indicating relations such as friendship) or negative (indicating relations such as opposition or antagonism). Such a mix of positive and negative links arise in a variety of online settings; we study datasets from Epinions, Slashdot and Wikipedia. We find that the signs of links in the underlying social networks can be predicted with high accuracy, using models that generalize across this diverse range of sites. These models provide insight into some of the fundamental principles that drive the formation of signed links in networks, shedding light on theories of balance and status from social psychology; they also suggest social computing applications by which the attitude of one user toward another can be estimated from evidence provided by their relationships with other members of the surrounding social network.

연구 동기 및 목표

• 관계가 양성(예: 우정) 또는 음성(예: 불신)일 수 있는 온라인 소셜 네트워크 내 링크의 부호를 예측하는 모델을 개발하는 것.
• 균형과 지위와 같은 서명된 네트워크의 구조적 패턴이 에피노니어스, 슬래시닷, 위키백과와 같은 다양한 온라인 플랫폼에서 일반화되는지 조사하는 것.
• 음성 간선 정보를 통합함으로써, 양성 간선 존재 예측 성능이 향상되는지, 특히 양성 링크에만 집중된 작업에서도 그러한 영향을 미치는지 평가하는 것.
• 학습된 모델을 기존의 사회심리학 이론(균형 이론과 지위 이론)과 비교하여 그 설명력이 얼마나 타당한지 검증하는 것.
• 관측된 관계를 기반으로 네트워크 근처의 관찰되지 않은 사용자 태도를 추론할 수 있는 사회계산 응용을 가능하게 하는 것.

제안 방법

• 모든 다른 서명된 간선이 주어진 조건 하에 두 노드 간의 간선 부호를 예측하는 이진 분류 문제로 간선 부호 예측 문제를 수립한다.
• 각 노드 쌍 주변의 지역적 서명된 이웃 패턴을 캡처하기 위해 16종의 서명된 방향성 있는 삼중성 특징을 계산한다.
• 예측 성능를 비교하기 위해 양성 간선만 또는 양성 및 음성 간선 특징을 모두 사용하여 로지스틱 회귀 모델을 훈련한다.
• 양성 간선의 4경로 패턴(예: FFpp, BBpp)을 기반으로 한 특징 세트를 도입하고, 이를 서명된 삼중성 특징과 조합하여 구조적 복잡성을 모델링한다.
• 에피노니어스, 슬래시닷, 위키백과의 실제 데이터셋을 대상으로 교차 검증 프레임워크를 활용해 모델 정확도를 평가한다.
• 모델 성능을 무작위 추측(0.50 정확도)과 비교하고, 모든 데이터셋에서 AUC 유사 지표를 통해 성능 향상을 평가한다.

실험 결과

연구 질문

• RQ1 지역 네트워크 구조만을 사용하여 서명된 소셜 네트워크 내 링크의 부호를 높은 정확도로 예측할 수 있는가?
• RQ2 특히 구조적 균형 이론과 지위 이론이 관찰된 양성 및 음성 링크 패턴을 설명하는 데 기여하는가?
• RQ3 음성 간선 정보를 통합할 경우, 소셜 네트워크 내 양성 간선 존재 예측 성능이 향상되는가?
• RQ4 서명된 네트워크에는 전역적 지위 순서가 존재하는가, 아니면 균형 이론이 예측한 바와 같이 대립하는 진영이 형성되는가?
• RQ5 서명된 네트워크 특징에 기반한 예측 모델은 양성 간선에만 의존하는 모델과 비교해 성능 면에서 뛰어나게 되는가?

주요 결과

• 음성 간선 정보를 통합함으로써 에피노니어스(0.5911 대비 0.5612)와 슬래시닷(0.5953 대비 0.5579)에서 각각 3%p의 정확도 향상을 기록했으며, 무작위 추측 대비 상대적 성능 향상률은 50%에 이른다.
• 위키백과에서는 음성 및 양성 특징을 모두 사용한 모델이 0.7114의 정확도를 기록했고, 양성 특징만 사용했을 경우 0.6983에 그치므로 유의미한 향상이 있었다.
• 결과는 음성 관계가 고립되어 있는 것이 아니라 양성 관계와 상호의존적임을 시사하며, 더 나은 성능을 위해 함께 모델링되어야 함을 시사한다.
• 모든 세 데이터셋에서 전역적 지위 순서가 존재하는 강력한 증거가 있으며, 이는 사용자들이 암묵적으로 타인의 지위를 평가하고 있음을 시사하며, 지위 이론과 부합한다.
• 반면에 전역적 진영 구조(즉, 두 개의 대립 집단)에 대한 증거는 거의 없으며, 이는 구조적 균형 이론이 전역적 수준보다 지역적 수준에서 더 강하게 작용함을 시사한다.
• 본 연구는 음성 간선 신호가 포함된 서명된 네트워크 특징에 기반한 모델이 이전의 접근 방식보다 뚜렷이 뛰어난 성능을 보임을 확인했다.