[논문 리뷰] Predicting Social Links for New Users across Aligned Heterogeneous Social Networks

Jiawei Zhang, Xiangnan Kong외 1명|arXiv (Cornell University)|2013. 10. 13.

Complex Network Analysis Techniques참고 문헌 20인용 수 17

한 줄 요약

이 논문은 이질적 소셜 네트워크에서 새로운 사용자에 대한 링크 예측을 위해 타겟 네트워크 내에서 개인화된 샘플링을 활용하고, 정렬된 소스 네트워크에서 사용자 정보를 전이함으로써 감독형 링크 예측 방법인 Scan-ps를 제안한다. 이는 냉시작 문제를 효과적으로 해결하며, 실제 Twitter 및 Foursquare 데이터셋에서 사용자 신규도 수준이 다양한 상황에서 기존 방법들을 능가한다.

ABSTRACT

Online social networks have gained great success in recent years and many of them involve multiple kinds of nodes and complex relationships. Among these relationships, social links among users are of great importance. Many existing link prediction methods focus on predicting social links that will appear in the future among all users based upon a snapshot of the social network. In real-world social networks, many new users are joining in the service every day. Predicting links for new users are more important. Different from conventional link prediction problems, link prediction for new users are more challenging due to the following reasons: (1) differences in information distributions between new users and the existing active users (i.e., old users); (2) lack of information from the new users in the network. We propose a link prediction method called SCAN-PS (Supervised Cross Aligned Networks link prediction with Personalized Sampling), to solve the link prediction problem for new users with information transferred from both the existing active users in the target network and other source networks through aligned accounts. We proposed a within-target-network personalized sampling method to process the existing active users' information in order to accommodate the differences in information distributions before the intra-network knowledge transfer. SCAN-PS can also exploit information in other source networks, where the user accounts are aligned with the target network. In this way, SCAN-PS could solve the cold start problem when information of these new users is total absent in the target network.

연구 동기 및 목표

• 타겟 네트워크에서 충분한 역사적 활동이 부족한 새로운 사용자에 대한 사회적 링크 예측 과제를 해결하기 위해.
• 소셜 네트워크 링크 예측에서 새로운 사용자와 기존의 오래된 사용자 간의 분포 차이를 극복하기 위해.
• 다른 소셜 네트워크의 정렬된 계정에서 정보를 전이함으로써 냉시작 문제를 완화하기 위해.
• 내부 네트워크 샘플링과 외부 네트워크 지식 전이를 조합하여 예측 성능을 향상시키기 위해.
• 사용자 뉴스 수준이 다양한 실세계 이질적 네트워크에서 방법을 평가하기 위해.

제안 방법

• Scan-ps는 타겟 네트워크 내에서 개인화된 샘플링 전략을 사용하여 오래된 사용자의 특징을 재가중함으로써 새로운 사용자와 오래된 사용자 간의 분포 불일치를 감소시킨다.
• 정렬된 소스 네트워크(예: Twitter에서 Foursquare로)의 보조 정보를 전이하여 새로운 사용자의 특징을 풍부하게 한다.
• 이 방법은 타겟 네트워크와 소스 네트워크 양쪽에서의 구조적 특징과 사용자 활동 패턴을 통합하는 감독형 학습 프레임워크를 사용한다.
• 개인화된 샘플링은 새로운 사용자와 유사도에 따라 오래된 사용자의 기여도를 조정함으로써 새로운 사용자 프로필로의 일반화 능력을 향상시킨다.
• 이 프레임워크는 다중 소스 정렬을 지원하여, 새로운 사용자가 타겟 네트워크에서 활동이 전혀 없더라도 정보 전이가 가능하게 한다.
• 평가 지표로 AUC와 정확도를 사용하며, 추론 실험을 통해 샘플링과 네트워크 간 전이의 영향을 검증한다.

실험 결과

연구 질문

• RQ1 제한된 활동을 가진 새로운 사용자에 대해 타겟 네트워크 내에서 개인화된 샘플링이 링크 예측 성능을 향상시키는가?
• RQ2 정렬된 소스 네트워크에서의 네트워크 간 정보 전이가 냉시작 문제 완화에 얼마나 효과적인가?
• RQ3 내부 네트워크 샘플링과 외부 네트워크 지식 전이를 조합하면 단일 소스 방법보다 더 나은 성능을 낼 수 있는가?
• RQ4 사용자 뉴스 수준이 높을수록, 특히 역사적 데이터가 없을 경우 모델 성능은 어떻게 변하는가?
• RQ5 실세계 이질적 소셜 네트워크에서 기존 링크 예측 접근 방식보다 이 방법이 뛰어난가?

주요 결과

• Scan-ps는 모든 사용자 뉴스 수준에서 기존 방법인 Old, Trad, Naive를 뛰어넘으며, 특히 잔류 정보 비율이 낮을수록 두드러진 성능 향상을 보였다.
• 비샘플링 기반 베이스라인(예: Old-ps 대비 Old)에 비해 개인화된 샘플링이 분포 이질성 문제 해결에 효과적임을 입증했다.
• 새로운 사용자가 타겟 네트워크에서 활동이 전혀 없을 경우(잔류 정보 비율 = 0.0)에도 강력한 성능 유지를 보여, 냉시작 문제 해결 능력을 입증했다.
• 소스 및 타겟 네트워크를 동시에 사용할 경우(Scan-ps) 한쪽 네트워크만 사용할 경우보다 더 나은 결과를 얻었으며, 이는 다중 네트워크 정보 융합의 이점을 확인한다.
• 추론 실험 결과, 오래된 사용자 데이터의 샘플링이 핵심임을 입증했다—원시 데이터를 그대로 사용할 경우 성능 저하가 발생함(예: Trad 대비 Trad-ps).
• Scan-ps는 Twitter-to-Foursquare 및 Foursquare-to-Twitter 설정 모두에서 AUC와 정확도 모두 일관된 향상을 보였으며, 이는 방법의 강건성을 검증한다.