[논문 리뷰] User Profile Relationships using String Similarity Metrics in Social Networks

Vasavi Akhila Dabeeru|arXiv (Cornell University)|2014. 08. 13.

Complex Network Analysis Techniques참고 문헌 18인용 수 4

한 줄 요약

이 논문은 교육, 관심사, 상호 연결 관계와 같은 다수의 사용자 속성에 걸쳐 가중치가 부여된 문자열 유사도 메트릭을 사용하여 사회적 네트워크에서 사용자 관계의 유사도를 평가하는 프로필 유사도 프레임워크를 제안한다. 수동으로 설정된 속성 가중치와 고급 문자열 메트릭을 조합함으로써 기존의 접근 방식을 초월하여 더 정확한 관계 예측을 가능하게 하는 종합적인 속성 비교를 통해 유사 프로필을 탐지하는 데 성공한다.

ABSTRACT

This article reviews the problem of degree of closeness and interaction level in a social network by ranking users based on similarity score. This similarity is measured on the basis of social, geographic, educational, professional, shared interests, pages liked, mutual interested groups or communities and mutual friends. The technique addresses the problem of matching user profiles in its globality by providing a suitable matching framework able to consider all profiles' attributes and finding the similarity by new ways of string metrics. It is able to discover the biggest possible number of profiles that are similar to the target user profile, which the existing techniques are unable to detect. Attributes were assigned weights manually; string and semantic similarity metrics were used to compare attributes values thus predicting the most similar profiles. Profile based similarity show the exact relationship between users and this similarity between user profiles reflects closeness and interaction between users.

연구 동기 및 목표

• 기본적인 친구의 친구 히وري스틱을 초월하여 의미 있는 사용자 관계를 식별하는 데 도전하는 것.
• 교육, 관심사, 지리적 위치와 같은 다양한 속성에 걸쳐 프로필 유사도를 평가하는 종합적인 프레임워크를 개발하는 것.
• 전체 속성 분석을 통해 기존 기법들보다 더 많은 관련 프로필 매칭을 탐지함으로써 기존 기법을 향상시키는 것.
• 프로필 속성 간 문자 기반의 유사도 점수를 사용하여 사용자 간 밀도와 상호작용 가능성을 정량화하는 것.
• 실제 사회적 관계를 더 정확하게 반영하는 확장 가능한, 속성 가중 유사도 모델을 제공하는 것.

제안 방법

• 사용자 프로필 속성인 교육, 직업, 공통 관심사 등의 가중치를 수동으로 설정하여 그 유사성 결정에 있어 상대적 중요도를 반영한다.
• Levenshtein 거리와 Jaro-Winkler와 같은 문자열 유사도 메트릭을 사용하여 사용자 간 프로필 속성의 텍스트 값을 비교한다.
• 의미적 유사도는 다양한 표현 방식이나 동의어가 있는 속성의 매칭 정확도를 향상시키기 위해 문자 메트릭과 통합된다.
• 모든 프로필 속성에 걸쳐 가중 유사도를 집계하여 복합 유사도 점수를 계산한다.
• 목표 사용자에 대한 전체 유사도 점수에 따라 프로필을 순위 매기며, 가장 유사한 사용자를 식별할 수 있도록 한다.
• 모든 속성을 동시에 고려함으로써 글로벌 프로필 매칭을 지원하여 잠재적 관계 탐지 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 사회적 네트워크에서 다양한 이질적인 속성 간에 사용자 프로필 유사도를 효과적으로 측정하는 방법은 무엇인가?
• RQ2 문자열 유사도 메트릭과 속성 가중치를 조합할 경우 의미 있는 사용자 관계 탐지 능력이 얼마나 향상되는가?
• RQ3 통합된 프레임워크가 기존 방법보다 더 나은 성능을 보이며, 기존 접근 방식에서 탐지되지 않는 유사 프로필을 식별하는 데 성공할 수 있는가?
• RQ4 다양한 문자열 메트릭이 실제 사회적 네트워크 데이터에서 프로필 매칭 정확도에 어떻게 기여하는가?
• RQ5 의미적 유사도 향상 기법이 프로필 매칭 성능에 미치는 영향은 무엇인가?

주요 결과

• 제안된 프레임워크는 특히 정확한 속성 매칭이 이루어지지 않은 사용자들에 대해서도 기존 기법들보다 훨씬 더 많은 유사 프로필을 성공적으로 탐지한다.
• Jaro-Winkler 및 Levenshtein 거리와 같은 문자열 유사도 메트릭은 텍스트 기반 프로필 속성에서 부분적이고 근사적인 매칭을 효과적으로 포착한다.
• 의미적 유사도를 문자 메트릭과 통합함으로써, 동의어나 약어 표현이 있는 속성의 매칭 정확도가 향상된다.
• 가중치가 부여된 속성 점수는 공통 관심사나 상호 친구와 같은 더 의미 있는 속성을 우선시함으로써 유사도 결과의 관련성을 높인다.
• 복합 유사도 점수는 실제 사용자 상호작용 수준과 강하게 상관관계를 보이며, 이는 관계의 유사도를 예측하는 데의 유용성을 입증한다.
• 프로필 속성이 일관되거나 공식적으로 표현되지 않은 경우에도 잠재적 관계 탐지에 있어 뛰어난 강건성을 보여준다.