[论文解读] DecLiNe -- Models for Decay of Links in Networks

Julia Preusse, Jérôme Kunegis+2 more|arXiv (Cornell University)|Mar 18, 2014

Complex Network Analysis Techniques参考文献 23被引用 6

一句话总结

DecLiNe 提出一种基于结构的方法，通过将链接预测方法反向应用以实现逆向预测，从而预测网络中的链接衰减——识别出可能消失的链接。该方法引入了补集得分等新指标，以及在补集网络上的优先连接机制，显著优于随机基线，尽管链接衰减预测的难度仍高于标准链接预测。

ABSTRACT

The prediction of graph evolution is an important and challenging problem in the analysis of networks and of the Web in particular. But while the appearance of new links is part of virtually every model of Web growth, the disappearance of links has received much less attention in the literature. To fill this gap, our approach DecLiNe (an acronym for DECay of LInks in NEtworks) aims to predict link decay in networks, based on structural analysis of corresponding graph models. In analogy to the link prediction problem, we show that analysis of graph structures can help to identify indicators for superfluous links under consideration of common network models. In doing so, we introduce novel metrics that denote the likelihood of certain links in social graphs to remain in the network, and combine them with state-of-the-art machine learning methods for predicting link decay. Our methods are independent of the underlying network type, and can be applied to such diverse networks as the Web, social networks and any other structure representable as a network, and can be easily combined with case-specific content analysis and adopted for a variety of social network mining, filtering and recommendation applications. In systematic evaluations with large-scale datasets of Wikipedia we show the practical feasibility of the proposed structure-based link decay prediction algorithms.

研究动机与目标

• 解决尽管在链接创建方面已有大量研究，但缺乏通用的、基于结构的链接衰减预测方法的问题。
• 探究图的结构特性是否可作为识别‘多余’或衰减链接的不变指标。
• 开发与领域无关的通用方法，用于预测链接移除，适用于 Web、社交媒体和 Wikipedia 等各类网络。
• 结合结构分析与机器学习，以支持垃圾信息检测、图结构重组和推荐系统等应用。
• 在大规模真实世界数据集（尤其是 Wikipedia）上评估所提方法的可行性和性能。

提出的方法

• 通过反转问题，复用标准链接预测方法：不预测新链接，而是预测哪些现有链接可能衰减。
• 引入补集网络方法，即在原始图的补图上应用链接预测，以识别低概率边。
• 定义新型衰减指标，如补集得分，该指标基于结构特征衡量链接被移除的可能性。
• 将补集网络上的优先连接作为关键指标，其中连接低度节点的链接更可能衰减。
• 将结构度量与最先进链接预测算法（如 Jaccard、Adamic-Adar）结合，以提升衰减预测性能。
• 使这些方法独立于网络类型，从而可应用于社交网络、Web 图和 Wikipedia 等内容网络。

实验结果

研究问题

• RQ1 在不依赖特定领域的情况下，网络拓扑的结构分析在多大程度上可预测链接的衰减？
• RQ2 与标准链接预测相比，衰减预测在精确率和难度方面表现如何？
• RQ3 哪些结构特征——如节点度数、共同邻居或邻域重叠——最能预测链接的移除？
• RQ4 补集网络方法是否能有效识别出不属于紧密连接组件或团的‘多余’链接？
• RQ5 当链接预测指标被反向用于衰减预测时，不同指标的表现如何？哪种组合效果最佳？

主要发现

• 补集得分与优先连接结合的方法在链接衰减预测中取得了最高精确率，显著优于随机基线。
• 链接衰减预测通常比标准链接预测更困难，表现为精确率较低（最佳方法约为 0.6，而链接预测约为 0.85）。
• 外向节点的特征（如出度和外向邻域）是最具信息量的特征，支持‘你链接到谁，你就属于谁’的原则。
• 共同邻居数量或邻居并集并非链接衰减的强预测指标，表明结构相似性本身无法区分弱连接与错误链接。
• 反向链接预测方法的性能在不同度类型下表现出显著差异：使用入度时精确率仅略高于随机，而使用出度时可超过 0.6。
• 当使用入度时，补集网络方法表现最佳；但总体而言，使用出度特征的反向方法在结果上最为一致且准确。