[論文レビュー] A Survey of Link Recommendation for Social Networks: Methods, Theoretical Foundations, and Future Research Directions

Zhepeng Li, Xiao Fang+1 more|arXiv (Cornell University)|Nov 5, 2015

Complex Network Analysis Techniques参考文献 115被引用数 15

ひとこと要約

本サーベイは、社会的ネットワークにおけるリンク推薦について包括的な概要を提供し、学習ベースと近接性ベースのアプローチに分類して説明し、社会的・経済的理論に基づいて根拠を示している。主な研究ギャップを特定し、今後の方向性として、利便性に基づく推薦、多様性、不完全データの取り扱い、実験的検証を提起し、分野の研究者および実務家にとっての基盤的リファレンスを提供する。

ABSTRACT

Link recommendation has attracted significant attentions from both industry practitioners and academic researchers. In industry, link recommendation has become a standard and most important feature in online social networks, prominent examples of which include "People You May Know" on LinkedIn and "You May Know" on Google+. In academia, link recommendation has been and remains a highly active research area. This paper surveys state-of-the-art link recommendation methods, which can be broadly categorized into learning-based methods and proximity-based methods. We further identify social and economic theories, such as social interaction theory, that underlie these methods and explain from a theoretical perspective why a link recommendation method works. Finally, we propose to extend link recommendation research in several directions that include utility-based link recommendation, diversity of link recommendation, link recommendation from incomplete data, and experimental study of link recommendation.

研究の動機と目的

• 社会的ネットワークにおける最新のリンク推薦手法を体系的にレビューすること。
• リンク推薦手法の有効性を説明する背後にある社会的・経済的理論を特定・分析すること。
• 利便性、多様性、データの不完全性に関する点で、現在のアプローチの限界を浮き彫りにすること。
• 利便性に基づく推薦、多様性に配慮した手法、不完全データに対するロバスト性を含む、新たな研究方向性を提起すること。
• 今後のリンク推薦研究において、精度指標を超えた推薦品質を評価するためのきめ細やかな実験的評価フレームワークの導入を提言すること。

提案手法

• その背後にあるメカニズムに基づき、リンク推薦手法を学習ベースと近接性ベースのアプローチに分類すること。
• 社会的相互作用理論などの理論的基盤を特定し、リンク予測アルゴリズムの行動的・構造的根拠を説明すること。
• 同型性、三重閉包、構造的バランスを含む社会的ネットワーク理論の観点から、既存の手法を分析すること。
• 協調フィルタリング、行列分解、およびジャカードやアダミック＝アダールのようなグラフベースの近接性測度を含む、現在の技術の統合的分析。
• 推薦システムにユーザーの利便性と好みモデリングを統合するような、今後の手法的方向性の提言。
• 推薦品質を精度指標を超えて評価するための実験的検証と制御された評価研究の必要性の強調。

実験結果

リサーチクエスチョン

• RQ1 学習ベースと近接性ベースのリンク推薦手法は、設計および性能においてどのように異なるか？
• RQ2 リンク推薦アルゴリズムの有効性を支える社会的・経済的理論は何か？
• RQ3 なぜジャカードやアダミック＝アダールのような特定の近接性測度が、特定のネットワーク状況で優れた性能を発揮するのか？
• RQ4 ユーザーの利便性と推薦の多様性を考慮できるように、リンク推薦システムをどのように改善できるか？
• RQ5 不完全またはスパースな社会的ネットワークデータからリンクを推薦する際に生じる課題は何か？

主な発見

• 行列分解やディープラーニングを含む学習ベースの手法は、潜在的なユーザーおよびアイテム特徴をモデル化することで高い精度を達成するが、大量の訓練データを必要とする。
• ジャカードやアダミック＝アダールを含む近接性ベースの手法は、局所的なネットワーク構造に依存するため、スパースなネットワークでも効果的であり、計算的にも効率的である。
• 社会的相互作用理論と同型性は、ユーザーが類似した人物または互いに接続された人々とリンクを形成する傾向があることの強い理論的根拠を提供する。
• 三重閉包と構造的バランスの理論は、ユーザーが閉じた三重項においてリンクを形成する傾向があることの背後にある理由を説明し、一般的な近接性測度の成功を裏付けている。
• 現在の手法はしばしばユーザー固有の利便性や多様性を無視しており、重複したまたは関係のない推薦を生じさせ、これが主要な研究ギャップを示している。
• 本稿では、不完全なデータが主要な課題であると特定しており、大多数の手法が完全またはほぼ完全なネットワークの観測を仮定しているが、現実の状況ではこれがほとんど成立しないことから、その点が大きな問題である。