[논문 리뷰] Signed Link Analysis in Social Media Networks

Ghazaleh Beigi, Jiliang Tang외 1명|arXiv (Cornell University)|2016. 03. 22.

Complex Network Analysis Techniques인용 수 18

한 줄 요약

이 논문은 정서 정보, 혁신 확산 이론, 개인 성격 이론을 통합하여 서명된 소셜 네트워크를 위한 새로운 링크 분석 프레임워크를 제안한다. 정서 표현, 동료 영향력, 성격 특성(낙관/우울)이 긍정적 및 부정적 링크 형성에 유의미하게 예측 가능하며, 통계 검정에서 p값이 1e-19 이하로 나타나, 서명된 네트워크에서 이론 기반 분석에 대한 강력한 실증적 지원을 보여준다.

ABSTRACT

Numerous real-world relations can be represented by signed networks with positive links (e.g., trust) and negative links (e.g., distrust). Link analysis plays a crucial role in understanding the link formation and can advance various tasks in social network analysis such as link prediction. The majority of existing works on link analysis have focused on unsigned social networks. The existence of negative links determines that properties and principles of signed networks are substantially distinct from those of unsigned networks, thus we need dedicated efforts on link analysis in signed social networks. In this paper, following social theories in link analysis in unsigned networks, we adopt three social science theories, namely Emotional Information, Diffusion of Innovations and Individual Personality, to guide the task of link analysis in signed networks.

연구 동기 및 목표

• 서명된 네트워크의 링크 분석에서의 격차를 해소하기 위해, 부정적(불신) 링크의 존재로 인해 무기호 네트워크와 근본적으로 다름을 고려한다.
• 정신 및 사회과학 이론이 위상적 구조를 초월하여 링크 형성 분석을 어떻게 이끌 수 있는지 탐구한다.
• 사용자 수준의 특성—정서, 성격(낙관/우울), 동료 영향력—을 서명된 네트워크의 링크 예측에 통합한다.
• 실제 세계 데이터셋(Epinions, Slashdot)을 사용하여 정서 정보, 사회적 영향력, 성격이 링크 형성에 미치는 영향을 실증적으로 검증한다.

제안 방법

• 정서 정보 이론은 사용자 간의 정서 강도를 댓글/리뷰의 정서 분석을 통해 측정함으로써 적용되며, 더 높은 긍정적 정서 강도가 긍정적 링크와 상관됨을 보여준다.
• 혁신 확산 이론은 두 표본 t-검정을 사용하여, 상호 친구 u_k가 u_j에게 긍정적 또는 부정적 링크를 형성했을 때 u_i가 u_j에게 링크를 형성할 가능성의 차이를 비교함으로써 모델링된다.
• 개인 성격 이론은 평가 및 리뷰 점수를 기반으로 사용자를 낙관/우울 그룹으로 순위 매김한 후, t-검정을 통해 그룹 간 링크 형성 차이를 테스트함으로써 구현된다.
• 통계적 가설 검정(두 표본 t-검정)을 사용하여 각 이론 하에서 관찰된 링크 형성 패턴의 유의성을 평가하며, 유의수준 α = 0.01을 사용한다.
• 데이터셋은 Epinions(제품 평가)와 Slashdot(사용자 리뷰)에서 구성되며, 낙관/우울 점수는 평가 행동에서 유도된다.
• 이 프레임워크는 이론 기반 특성 공학과 철저한 통계적 검증을 결합하여 링크 예측 잠재력을 평가한다.

실험 결과

연구 질문

• RQ1 서로에게 더 강한 긍정적 정서를 표현하는 사용자 간에는 서명된 네트워크에서 긍정적 링크 형성 확률이 더 높은가?
• RQ2 서로의 공통 친구 중 한 명이 제3자에게 긍정적 또는 부정적 링크를 이미 형성했다면, 한 사용자가 그 제3자에게 긍정적 또는 부정적 링크를 형성할 가능성은 더 높은가?
• RQ3 더 높은 낙관 점수를 가진 사용자는 낙관성이 덜한 사용자보다 긍정적 링크를 더 자주 형성하는가?
• RQ4 더 높은 우울 점수를 가진 사용자는 우울성이 덜한 사용자보다 부정적 링크를 더 자주 형성하는가?
• RQ5 정서, 사회적 영향력, 성격 요소가 함께 링크 형성에 얼마나 큰 영향을 미치는가?

주요 결과

• 서로에게 더 강한 정서 강도(긍정적 정서)를 가진 사용자 간에는 긍정적 링크 형성이 유의미하게 높은 경향이 있으며, t-검정에서 p값이 Epinions의 경우 1.84e-75, Slashdot의 경우 3.56e-91로 나타난다.
• 사용자들은 친구들이 제3자에게 맺은 링크 방향과 같은 방향으로 링크를 형성할 가능성이 유의미하게 높으며, 이는 혁신 확산 이론을 지지한다(p < 0.01).
• 더 높은 낙관 점수를 가진 사용자는 낙관성이 덜한 사용자보다 긍정적 링크 형성 가능성이 유의미하게 높으며, p값은 Epinions의 경우 3.16e-19, Slashdot의 경우 1.60e-23이다.
• 더 높은 우울 점수를 가진 사용자는 우울성이 덜한 사용자보다 부정적 링크 형성 가능성이 유의미하게 높으며, 이는 성격 기반 링크 형성 경향을 확인한다.
• 결과는 K=20, 30, 50로 여러 그룹 분할에서도 뚜렷하게 유지되어 성격 기반 링크 예측의 신뢰성을 강화한다.
• 정신 및 사회과학 이론의 통합은 위상적 특성만을 고려하는 것보다 서명된 네트워크 내 링크 분석을 크게 향상시킨다.