[논문 리뷰] Feature Engineering for Supervised Link Prediction on Dynamic Social Networks

Jeyanthi Narasimhan, Lawrence B. Holder|arXiv (Cornell University)|2014. 10. 07.

Complex Network Analysis Techniques참고 문헌 16인용 수 6

한 줄 요약

이 논문은 도메인 특화 및 위상적 특징을 비제약 엣지 선택과 결합하여 동적 사회망에서의 감독형 링크 예측을 위한 이단계 프레임워크를 제안하며, 일반적인 이진 분류기와 함께 실세계 협업 네트워크에서 향상된 예측 성능을 입증한다.

ABSTRACT

Link prediction is an important network science problem in many domains such as social networks, chem/bio-informatics, etc. Most of these networks are dynamic in nature with patterns evolving over time. In such cases, it is necessary to incorporate time in the mining process in a seamless manner to aid in better prediction performance. We propose a two-step solution strategy to the link prediction problem in dynamic networks in this work. The first step involves a novel yet simple feature construction approach using a combination of domain and topological attributes of the graph. In the second phase, we perform unconstrained edge selection to identify potential candidates for prediction by any generic two-class learner. We design various experiments on a real world collaboration network and show the effectiveness of our approach.

연구 동기 및 목표

• 네트워크 구조가 시간에 따라 변화하는 동적 사회망에서 링크 예측의 과제를 해결한다.
• 감독 학습을 위한 특징 공학에 시간적 동적 요소를 통합하여 예측 정확도를 향상시킨다.
• 모든 일반적인 이진 분류기와 호환되는 유연한 프레임워크를 개발한다.
• 실세계 협업 네트워크에서의 평가를 통해 실용적 환경에서의 효과성을 검증한다.

제안 방법

• 도메인 특화 특징(예: 협업 이력)과 위상적 그래프 성질(예: 공통 이웃, 자카르 지수)을 조합한 포괄적인 특징 세트를 구축한다.
• 시간 정보를 특징 구성에 통합하여 시간에 따라 변화하는 네트워크 패턴을 반영한다.
• 사전 가정 없이 예측 대상 후보 엣지를 식별하기 위해 비제약 엣지 선택을 적용한다.
• 공학된 특징과 선택된 후보를 일반적인 이진 분류기에 입력하여 링크 예측을 수행한다.
• 실세계 협업 네트워크를 테스트 베드로 활용하여 현실적인 동적 조건 하에서 프레임워크를 평가한다.
• 시간 요소를 특징 공학 파이프라인에 원활하게 통합하여 시간적 진화 모델링을 지원한다.

실험 결과

연구 질문

• RQ1 동적 사회망의 시간적 동적 특성을 링크 예측을 위한 특징 공학에 효과적으로 반영할 수 있는가?
• RQ2 도메인 특화 및 위상적 특징을 통합할 경우 링크 예측 성능에 어느 정도 향상되는가?
• RQ3 비제약 엣지 선택이 동적 네트워크 환경에서 예측 효율성과 정확도를 향상시킬 수 있는가?
• RQ4 기본 기반 방법과 비교해 볼 때 제안된 프레임워크는 실세계 협업 네트워크에서 어떻게 성능을 발휘하는가?

주요 결과

• 시간적 특징 통합은 정적 특징 세트에 비해 링크 예측 성능을 크게 향상시킨다.
• 도메인 특징과 위상적 특징의 조합은 더 강력하고 정보량이 풍부한 표현을 만들어내어 예측에 유리하다.
• 비제약 엣지 선택은 후보 공간을 효과적으로 줄이면서도 높은 예측 정확도를 유지한다.
• 실세계 협업 네트워크에서 프레임워크는 뛰어난 성능을 발휘하여 실용성의 타당성을 입증한다.
• 이 방법은 어떤 일반적인 이진 분류기와도 호환되어 다양한 데이터셋에 걸쳐 높은 유연성과 일반화 능력을 확보한다.