[논문 리뷰] Towards Realistic Team Formation in Social Networks based on Densest Subgraphs

Syama Sundar Rangapuram, Thomas Bühler외 1명|arXiv (Cornell University)|2015. 05. 25.

Mobile Crowdsensing and Crowdsourcing참고 문헌 17인용 수 6

한 줄 요약

이 논문은 팀 규모 제한, 필수 멤버, 지리적 또는 사회적 국소성 등의 실용적 제약 조건을 만족시키는 고밀도이고 밀집된 팀을 구성하기 위해 일반화된 가장 조밀한 부분그래프 문제에 대한 확장된 버전인 FORTE를 제안한다. 이는 이산 최적화 문제를 연속적 근사와 하향 최적화를 통해 해석함으로써, 탐욕적 및 선형계획법 기반 방법보다 품질과 타당성 면에서 뛰어난 성능을 발휘한다.

ABSTRACT

Given a task $\mathcal{T}$, a set of experts $V$ with multiple skills and a social network $G(V, W)$ reflecting the compatibility among the experts, team formation is the problem of identifying a team $C \subseteq V$ that is both competent in performing the task $\mathcal{T}$ and compatible in working together. Existing methods for this problem make too restrictive assumptions and thus cannot model practical scenarios. The goal of this paper is to consider the team formation problem in a realistic setting and present a novel formulation based on densest subgraphs. Our formulation allows modeling of many natural requirements such as (i) inclusion of a designated team leader and/or a group of given experts, (ii) restriction of the size or more generally cost of the team (iii) enforcing locality of the team, e.g., in a geographical sense or social sense, etc. The proposed formulation leads to a generalized version of the classical densest subgraph problem with cardinality constraints (DSP), which is an NP hard problem and has many applications in social network analysis. In this paper, we present a new method for (approximately) solving the generalized DSP (GDSP). Our method, FORTE, is based on solving an equivalent continuous relaxation of GDSP. The solution found by our method has a quality guarantee and always satisfies the constraints of GDSP. Experiments show that the proposed formulation (GDSP) is useful in modeling a broader range of team formation problems and that our method produces more coherent and compact teams of high quality. We also show, with the help of an LP relaxation of GDSP, that our method gives close to optimal solutions to GDSP.

연구 동기 및 목표

• 기존 팀 구성 방법이 지나치게 제한적인 가정을 하고 있으며, 팀 규모 제한, 필수 전문가, 지리적/사회적 국소성 등의 실용적 제약 조건을 모델링하지 못하는 데에 대비하기 위해.
• 팀 규모, 지정된 리더, 접근성 요구 조건 등을 포함한 다양한 현실적인 제약 조건을 통합한 일반화된 가장 조밀한 부분그래프 공식화(GDSP)를 개발하기 위해.
• 제약 조건을 보장하면서 이론적 성능 보장을 제공하는 고도로 효율적인 근사 알고리즘(FORTE)을 설계하기 위해.
• 제안된 공식화와 방법이 기존 접근 방식보다 더 통합적이고 밀집된, 높은 밀도의 팀을 생성함을 경험적으로 검증하기 위해.

제안 방법

• 팀 규모, 특정 전문가의 포함, 거리 또는 비용 한계를 통한 국소성에 대한 제약 조건을 포함한 일반화된 가장 조밀한 부분그래프 문제(GDSP)로 팀 구성 문제를 공식화한다.
• 이산 최적화 문제를 부드럽고 미분 가능한 문제로 변환하기 위해 GDSP의 연속적 근사를 도입한다.
• 하향 최적화 방법을 사용하여 풀이를 반복적으로 개선하며, 목적 함수 및 제약 조건 함수의 하향도를 활용한다.
• FORTE의 수렴성과 해 품질 향상을 위해 선형계획법(LP) 근사를 해의 초기화로 활용한다.
• 목적 함수에 페널티 항과 지표 함수를 통합하여 제약 조건을 처리함으로써 최적화 과정 전반에 걸쳐 타당성이 유지되도록 한다.
• 이론적 보장을 갖춘 비볼록 최적화 프레임워크를 적용하여 최종 해가 모든 제약 조건을 만족하면서도 팀 밀도를 최대화함을 보장한다.

실험 결과

연구 질문

• RQ1 가장 조밀한 부분그래프 기반 공식화는 팀 규모 제한, 필수 멤버, 지리적 또는 사회적 국소성과 같은 현실적인 팀 구성 제약 조건을 어떻게 확장할 수 있는가?
• RQ2 NP-난해한 일반화된 가장 조밀한 부분그래프 문제(GDSP)는 이론적 보장과 제약 조건 만족을 동시에 확보하면서 어떻게 근사적으로 해결할 수 있는가?
• RQ3 제안된 FORTE 방법은 현실적인 시나리오에서 기존의 탐욕적 또는 선형계획법 기반 접근 방식보다 더 높은 품질, 더 밀집된, 더 통합된 팀을 생성하는가?
• RQ4 GDSP의 LP 근사는 비볼록 최적화에서 해 품질의 신뢰할 수 있는 상한선과 초기화로써 얼마나 유용한가?
• RQ5 상한선이 있는 기술 수 또는 예산 기반 비용과 같은 복잡한 제약 조건을 처리하면서도 팀의 유대감과 밀도를 유지할 수 있는가?

주요 결과

• FORTE는 기준 방법보다 높은 밀도(예: Task 4에서 3.89)와 더 나은 AIR 점수를 지닌 팀을 일관되게 생성하며, 한 해는 LP 상한선의 99.5%를 달성한다.
• LP 근사는 해 품질에 대한 강력한 상한선를 제공하며, Task 4에서 LP 상한선 3.91과 FORTE 해 3.89가 매우 유사하다.
• FORTE는 탐욕적 및 LP 기반 접근 방식이 제외하는 거리 한계 및 팀 리더 요구 조건과 같은 복잡한 제약 조건을 유일하게 처리할 수 있다.
• 비가능한 LP 해를 초기화로 사용함으로써 FORTE의 성능이 크게 향상되며, 특히 어려운 인스턴스에서 유의미한 개선이 나타나, 정보 기반 초기화의 가치를 입증한다.
• 스킬 분포가 희박한 경우(예: AI 기술)에도 FORTE는 밀집되고 고밀도의 팀을 성공적으로 구성하며, 이러한 조건에서 실패하는 탐욕적 방법보다 뛰어난 성능을 보인다.
• 기술 수에 상한선이 있는 작업에서는 LP 근사가 타당한 해를 도출하지 못하지만, FORTE는 여전히 고품질의 제약 조건을 만족하는 팀을 생성하여 강건성을 입증한다.