[논문 리뷰] Social Network Fusion and Mining: A Survey

Jiawei Zhang|arXiv (Cornell University)|2018. 04. 26.

Complex Network Analysis Techniques참고 문헌 115인용 수 10

한 줄 요약

이 종합 검토는 이질적 사회망(HSNs)에서 광범위한 학습에 대해 포괄적인 개요를 제시하며, 네트워크 정렬, 링크 예측, 커뮤니티 탐지, 정보 확산, 네트워크 임bedding의 다섯 가지 핵심 작업에 초점을 맞춘다. 이는 플랫폼 간 공유 사용자(앵커 사용자)를 통해 다중 소스 사회 데이터를 융합하기 위한 통합 프레임워크를 제안하며, 메타패스 가중치화 및 딥러닝 기법을 활용하여 정렬된 네트워크 간의 상호보완적 탐색을 가능하게 한다.

ABSTRACT

Looking from a global perspective, the landscape of online social networks is highly fragmented. A large number of online social networks have appeared, which can provide users with various types of services. Generally, the information available in these online social networks is of diverse categories, which can be represented as heterogeneous social networks (HSN) formally. Meanwhile, in such an age of online social media, users usually participate in multiple online social networks simultaneously to enjoy more social networks services, who can act as bridges connecting different networks together. So multiple HSNs not only represent information in single network, but also fuse information from multiple networks. Formally, the online social networks sharing common users are named as the aligned social networks, and these shared users who act like anchors aligning the networks are called the anchor users. The heterogeneous information generated by users' social activities in the multiple aligned social networks provides social network practitioners and researchers with the opportunities to study individual user's social behaviors across multiple social platforms simultaneously. This paper presents a comprehensive survey about the latest research works on multiple aligned HSNs studies based on the broad learning setting, which covers 5 major research tasks, i.e., network alignment, link prediction, community detection, information diffusion and network embedding respectively.

연구 동기 및 목표

• 공유 사용자(앵커 사용자)를 통해 여러 플랫폼 간 데이터 융합을 가능하게 하여 분산된 온라인 사회망의 문제를 해결하기 위해.
• 다양한 데이터 소스(예: 소셜미디어, POI, 사용자 활동)를 통합하여 일관된 분석 환경을 조성하는 통합 프레임워크를 제공하기 위해.
• 이질적 데이터 통합 및 소스 간 관련성 필터링과 같은 데이터 융합 및 탐색의 핵심 과제를 특정하고 해결하기 위해.
• 상호 네트워크 링크 예측, 상호 커뮤니티 탐지, 정보 확산 모델링 등의 플랫폼 간 분석을 가능하게 하기 위해.
• 사회망 탐색을 위한 확장 가능하고 다중 소스, 응용 프로그램에 관계없이 일반적인 광범위한 학습 알고리즘의 향후 연구를 이끌기 위해.

제안 방법

• 다양한 사회망 간 공유 사용자(앵커 사용자)를 정렬 기준점으로 삼아 이질적 사회망 데이터를 융합한다.
• 다음 작업을 위한 관련 정보 소스를 우선순위 정렬하기 위해 메타패스 가중치화 및 네트워크 샘플링 기법을 적용한다.
• 네트워크 임bedding 및 링크 예측 모델의 엔드 투 엔드 학습을 위해 딥러닝과 확률적 경사 하강법(SGD)을 활용한다.
• 다중 정렬된 HSN 간 융합된 데이터를 상호보완적으로 탐색하여 작업 성능을 향상시키는 광범위한 학습 철학을 도입한다.
• 대규모 네트워크(수십억 명의 사용자 포함)를 처리하기 위해 분산 컴퓨팅 플랫폼(Spark, Hadoop 등)과 모델 최적화를 활용한다.
• 노이즈 감소 및 탐색 효율 향상을 위해 정보 소스 임bedding 및 특징 선택 기법을 제안한다.

실험 결과

연구 질문

• RQ1 공유 사용자(앵커 사용자)를 통해 다수의 이질적 사회망을 효과적으로 정렬할 수 있는 방법은 무엇인가?
• RQ2 다양한 데이터 유형(예: 텍스트, 이미지, 사용자 활동)을 다수의 사회 플랫폼 간 융합하기 위한 가장 효과적인 전략은 무엇인가?
• RQ3 네트워크 정렬은 플랫폼 간 링크 예측 및 커뮤니티 탐지와 같은 후속 작업에 어떻게 기여하는가?
• RQ4 이중 네트워크 융합에서 다중 네트워크(3개 이상) 정렬 및 탐색으로 확장할 때 발생하는 주요 과제는 무엇인가?
• RQ5 growing 사회망 데이터의 증가하는 볼륨을 처리하기 위해 확장 가능하고 효율적인 알고리즘을 설계하는 방법은 무엇인가?

주요 결과

• 플랫폼 간 분석(예: 상호 네트워크 링크 예측, 상호 커뮤니티 탐지)을 가능하게 하기 위해 앵커 사용자를 통한 네트워크 정렬은 필수적인 전제 조건이다.
• 메타패스 가중치화 및 특징 선택은 후속 탐색 작업에서 융합된 데이터의 관련성과 성능을 크게 향상시킨다.
• 융합된 HSN 데이터를 기반으로 SGD로 학습된 딥러닝 모델은 단일 네트워크 기반 모델 대비 네트워크 임bedding 및 링크 예측 성능에서 향상된 성능을 달성한다.
• 확장성은 여전히 주요 과제이며, Spark, Hadoop 등의 분산 플랫폼이 대용량 데이터 워크로드 처리에 실용적인 솔루션을 제공한다.
• 향후 연구는 이중 네트워크를 초월한 다중 소스 융합 및 광범위한 학습을 기업 데이터, 지리공간 데이터, 지식 기반 등 비사회적 영역으로 확장하는 데 집중해야 한다.
• 조직도 추론 및 직원 교육과 같은 기업 환경에서의 응용 사례는 광범위한 학습의 잠재적 활용 범위가 소셜미디어를 초월해 존재함을 보여준다.