[논문 리뷰] Reciprocal versus Parasocial Relationships in Online Social Networks

Neil Zhenqiang Gong, Wenchang Xu|arXiv (Cornell University)|2013. 02. 26.

Complex Network Analysis Techniques참고 문헌 39인용 수 3

한 줄 요약

이 논문은 대규모 Google+ 및 Flickr 데이터셋을 사용하여 온라인 소셜 네트워크에서 상호적 관계와 파라소셜 관계를 조사하며, 상호적 엣지 예측이 보다 잘 모델링된 이상치 탐지 문제로 간주되어야 한다고 제안한다. 상호적 엣지는 유사한 정도를 가진 사용자 간에 선호되며, 파라소셜 엣지는 유명한 사용자와 평범한 사용자 간에 연결된다. 또한 구조적, 행동적, 속성 기반 특징이 상호적 관계에 크게 영향을 미친다는 것을 입증하며, 제안된 이상치 탐지 방법론이 이전의 방법들보다 뛰어난 성능을 보인다.

ABSTRACT

Many online social networks are fundamentally directed, i.e., they consist of both reciprocal edges (i.e., edges that have already been linked back) and parasocial edges (i.e., edges that haven't been linked back). Thus, understanding the structures and evolutions of reciprocal edges and parasocial ones, exploring the factors that influence parasocial edges to become reciprocal ones, and predicting whether a parasocial edge will turn into a reciprocal one are basic research problems. However, there have been few systematic studies about such problems. In this paper, we bridge this gap using a novel large-scale Google+ dataset crawled by ourselves as well as one publicly available social network dataset. First, we compare the structures and evolutions of reciprocal edges and those of parasocial edges. For instance, we find that reciprocal edges are more likely to connect users with similar degrees while parasocial edges are more likely to link ordinary users (e.g., users with low degrees) and popular users (e.g., celebrities). However, the impacts of reciprocal edges linking ordinary and popular users on the network structures increase slowly as the social networks evolve. Second, we observe that factors including user behaviors, node attributes, and edge attributes all have significant impacts on the formation of reciprocal edges. Third, in contrast to previous studies that treat reciprocal edge prediction as either a supervised or a semi-supervised learning problem, we identify that reciprocal edge prediction is better modeled as an outlier detection problem. Finally, we perform extensive evaluations with the two datasets, and we show that our proposal outperforms previous reciprocal edge prediction approaches.

연구 동기 및 목표

• 방향성 있는 온라인 소셜 네트워크에서 상호적 엣지와 파라소셜 엣지의 구조적 및 진화적 성질을 체계적으로 비교하는 것.
• 상호적 엣지 형성에 영향을 미치는 핵심 요인들 — 사용자 행동, 노드 속성, 엣지 속성 — 를 특정하는 것.
• 기존의 감독 학습/준감독 학습 접근법이 테스트 시점의 양성 샘플 이동으로 인해 데이터 누출 문제를 겪는다는 한계를 해결하는 것.
• 실제로 양성 예외들만 관찰 가능한 현실 세계의 제약 조건을 더 잘 모델링하는 데 초점을 맞춘 새로운 이상치 탐지 프레임워크를 제안하고 평가하는 것.
• 실제 Google+ 및 Flickr 데이터셋을 대상으로 광범위한 평가를 통해 제안된 방법의 효과성을 입증하는 것.

제안 방법

• 저자들은 두 개의 대규모 데이터셋을 분석한다: 자체 크롤링한 Google+ 데이터셋과 공개된 Flickr 소셜 네트워크 데이터셋.
• 도수 유사성, 군집화, 이웃 연결성 등의 구조적 성질을 상호적 엣지와 파라소셜 엣지 간에 비교한다.
• 사용자 행동(예: 공통의 학교, 상호 상호작용), 노드 속성(예: 도수, 프로필 데이터), 엣지 속성(예: 엣지 연령, 생성 후 경과 시간)에서 특징을 추출한다.
• 상호적 엣지 예측을 이진 분류 작업으로 간주하는 대신, 파라소셜 엣지를 상호적일 가능성이 높은 이상치로 간주하는 이상치 탐지 문제로 모델링한다.
• 기존의 이상치 탐지 기법(예: one-class SVM, isolation forest)을 적용하여, 상호적일 가능성이 가장 높은 파라소셜 엣지를 식별한다.
• 시간에 따른 네트워크 스냅샷을 사용하여 표준 평가 지표(예: AUC, 정밀도, 재현율)로 성능을 평가하며, 제안된 방법을 감독 및 준감독 기반 기준선과 비교한다.

실험 결과

연구 질문

• RQ1 온라인 소셜 네트워크에서 상호적 엣지와 파라소셜 엣지의 구조적 및 진화적 패턴은 어떻게 다를까?
• RQ2 파라소셜 엣지가 상호적일 가능성이 높아지기 위해 영향을 미치는 주요 사용자 행동, 노드 속성, 엣지 속성은 무엇인가?
• RQ3 기존의 감독 학습 및 준감독 학습 접근법이 동적인 네트워크에서 일반화 성능이 열 劣하는 이유는 무엇인가?
• RQ4 상호적 엣지 예측을 분류 문제로 간주하는 것보다 이상치 탐지 문제로 모델링하는 것이 더 효과적일 수 있는가?
• RQ5 제안된 이상치 탐지 프레임워크는 기존의 감독 및 준감독 학습 방법들보다 상호적 엣지 형성 예측에서 더 뛰어난 성능을 보일 수 있는가?

주요 결과

• 상호적 엣지는 유사한 정도를 가진 사용자 간에 더 자주 연결되며, 파라소셜 엣지는 주로 낮은 정도의 사용자와 높은 정도의 사용자(예: 유명인) 간에 연결된다.
• 일반적인 사용자와 유명한 사용자 간의 상호적 엣지가 네트워크 구조에 미치는 영향은 시간이 지남에 따라 서서히 변화하며, 이러한 연결의 통합 과정이 점진적임을 시사한다.
• 공통의 학교를 공유하는 것과 같은 사용자 행동은 파라소셜 엣지가 상호적으로 전환될 가능성을 3배로 높이며, 이는 사회적 유사성의 역할을 강조한다.
• 엣지 연령 및 기타 엣지 속성은 상호적 관계에 중대한 영향을 미치며, 시간적 동역학이 링크 형성에 핵심적인 역할을 한다는 것을 시사한다.
• 제안된 이상치 탐지 프레임워크는 Google+ 및 Flickr 데이터셋 양쪽 모두에서 기존의 감독 및 준감독 학습 방법들을 능가하는 성능을 보였다.
• 이 연구는 상호적 엣지 예측을 감독 학습 문제로 간주할 경우 데이터 누출이 발생함을 확인하였으며, 샘플링된 음성 예외들이 미래 스냅샷에서 양성 예외로 전환될 수 있어 모델의 일반화 성능이 저하됨을 입증한다.