[논문 리뷰] The Link Prediction Problem in Bipartite Networks

Jérôme Kunegis, Ernesto William De Luca외 1명|arXiv (Cornell University)|2010. 06. 28.

Complex Network Analysis Techniques참고 문헌 20인용 수 10

한 줄 요약

이 논문은 이분 그래프에서의 링크 예측을 위한 새로운 접근법을 제안하며, 이분 그래프에서 유일하게 가능한 홀수 길이 경로를 활용하기 위해 대수적 그래프 이론 기법을 적응시킨다. 홀수 길이 경로를 활용하는 방법으로, 스펙트럼 변환에서 유래한 홀수 성분 허위 커널(예: 행렬双곡사인 및 홀수 von Neumann 커널)을 도입하여, 평가, 태깅, 위키백과 네트워크와 같은 다양한 이분 데이터셋에서 기존의 양의 준정부호 커널 및 국소적 방법보다 뛰어난 성능을 보임을 입증한다.

ABSTRACT

We define and study the link prediction problem in bipartite networks, specializing general link prediction algorithms to the bipartite case. In a graph, a link prediction function of two vertices denotes the similarity or proximity of the vertices. Common link prediction functions for general graphs are defined using paths of length two between two nodes. Since in a bipartite graph adjacency vertices can only be connected by paths of odd lengths, these functions do not apply to bipartite graphs. Instead, a certain class of graph kernels (spectral transformation kernels) can be generalized to bipartite graphs when the positive-semidefinite kernel constraint is relaxed. This generalization is realized by the odd component of the underlying spectral transformation. This construction leads to several new link prediction pseudokernels such as the matrix hyperbolic sine, which we examine for rating graphs, authorship graphs, folksonomies, document--feature networks and other types of bipartite networks.

연구 동기 및 목표

• 이분 그래프에서 홀수 길이 경로가 존재하지 않기 때문에 기존 링크 예측 방법이 실패하는 문제를 해결하기 위해.
• 삼각형 닫힘 가정 없이도 적용 가능한 원리적인 대수적 프레임워크를 개발하기 위해, 그래프 커널을 홀수 성분으로 일반화하여 이분 그래프에서의 링크 예측을 위한 프레임워크를 수립하기 위해.
• 이분 그래프 링크 예측을 위한 새로운 허위 커널 함수(예: 행렬 쌍곡사인 및 홀수 von Neumann 커널)를 도입하기 위해.
• 실제 이분 네트워크에서 기존 방법과의 성능 비교를 통해 홀수 허위 커널의 성능을 평가하기 위해.
• 학습된 변환의 스펙트럼 곡선 피팅을 통해 근사 이분 구조를 탐지할 수 있도록 하기 위해.

제안 방법

• 이웃성 행렬의 스펙트럼 변환을 홀수 함수로 제한함으로써 링크 예측 함수를 유도하며, 삼각형 닫힘 가정이 필요 없도록 한다.
• 이분 그래프의 이중성 행렬에 스펙트럼 분해를 적용하고, 스펙트럼 변환의 홀수 성분을 사용하여 홀수 허위 커널을 구성한다.
• 지수 커널의 홀수 성분에서 유도된 링크 예측 허위 커널로 행렬 쌍곡사인 함수를 도입한다.
• 표준 von Neumann 커널의 홀수 변종으로서, 이분 그래프에 적합한 양의 이분 von Neumann 허위 커널을 제안한다.
• 질량 감소와 홀수 다항식 근사화를 사용하여 스펙트럼 도메인에서 링크 예측 함수를 모델링한다.
• 고유값 변환의 곡선 피팅을 통해 근사 이분 네트워크를 탐지하며, 쌍곡사인 피팅이 이분 구조를 나타낸다.

실험 결과

연구 질문

• RQ1 공통 이웃 또는 삼각형 닫힘 기반의 기존 링크 예측 방법이 이분 그래프에 효과적으로 적용될 수 있는가?
• RQ2 삼각형 형성이 불가능한 이분 그래프에 대해, 기존에 단일 그래프에 정의된 그래프 커널을 어떻게 일반화할 수 있는가?
• RQ3 어떤 스펙트럼 변환 함수가 이분 그래프에서 효과적인 링크 예측을 가능하게 하는가? 그리고 이러한 함수는 기존의 양의 준정부호 커널과 어떻게 다를까?
• RQ4 그래프 커널의 홀수 성분이 이분 그래프에서 유효하고 효과적인 링크 예측 허위 커널로 기능할 수 있는가?
• RQ5 학습된 변환의 스펙트럼 곡선 피팅을 통해 근사 이분 네트워크의 구조를 탐지할 수 있는가?

주요 결과

• 행렬 쌍곡사인 허위 커널은 BibSonomy 태그-아이템에서 AUC 0.925, CiteULike 사용자-아이템에서 AUC 0.856를 기록하여 여러 데이터셋에서 기존 커널 및 국소적 방법보다 뛰어난 성능을 보였다.
• 홀수 von Neumann 허위 커널은 대부분의 데이터셋에서 성능이 열악했으며, 사용자-태그 및 사용자-아이템 네트워크에서 AUC가 0.3 이하로 나타나 일반화 능력이 제한됨을 시사했다.
• 홀수 다항식 및 비음수 홀수 다항식 방법은 경쟁적인 성능을 보였으며, BibSonomy 태그-아이템에서 각각 AUC 0.925와 0.921를 기록했다.
• 선호적 연결 방법은 사용자-아이템 및 사용자-태그 네트워크에서 양호한 성능(AUC 0.821 및 0.878)을 보였지만, 태그-아이템 및 평가 네트워크에서는 성능이 열등했다.
• 고유값 변환에 대한 쌍곡사인 피팅은 영국 위키백과 하이퍼링크 네트워크와 같이 거의 이분 구조를 가진 네트워크를 성공적으로 식별했으며, Advogato 신뢰 네트워크와 같이 이분 구조가 아닌 네트워크는 거부했다.
• 모든 데이터셋에서 한 가지 방법이 우세한 것은 아니지만, 홀수 허위 커널은 대부분의 이분 네트워크 유형에서 기존 최고 성능 방법과 비교해도 뛰어나거나 동등한 성능을 보였다.