[論文レビュー] Influential Node Detection in Implicit Social Networks using Multi-task Gaussian Copula Models

Qunwei Li, Bhavya Kailkhura+3 more|arXiv (Cornell University)|Nov 30, 2016

Complex Network Analysis Techniques参考文献 12被引用数 7

ひとこと要約

本稿では、ネットワーク構造が未知の暗黙的ソーシャルネットワークにおいて、影響力を持つノードの特定と時系列のボリューム予測を目的として、マルチタスク低ランクガウス・コプア・モデルを提案する。コプア理論を用いてトピック間の依存関係をモデル化し、影響行列に低ランク構造を課すことで、合成データおよびISIS Twitterデータ上で、最先端手法を上回るボリューム予測精度と影響力のあるノード同定の両方を向上させる。

ABSTRACT

Influential node detection is a central research topic in social network analysis. Many existing methods rely on the assumption that the network structure is completely known \ extit{a priori}. However, in many applications, network structure is unavailable to explain the underlying information diffusion phenomenon. To address the challenge of information diffusion analysis with incomplete knowledge of network structure, we develop a multi-task low rank linear influence model. By exploiting the relationships between contagions, our approach can simultaneously predict the volume (i.e. time series prediction) for each contagion (or topic) and automatically identify the most influential nodes for each contagion. The proposed model is validated using synthetic data and an ISIS twitter dataset. In addition to improving the volume prediction performance significantly, we show that the proposed approach can reliably infer the most influential users for specific contagions.

研究の動機と目的

• ネットワーク構造が未知または利用できない暗黙的ソーシャルネットワークにおける影響力のあるノード検出の課題に対処すること。
• 複数の感染症（トピック）間の依存関係を活用することで、情報拡散ボリュームの時系列予測を改善すること。
• 明示的なネットワークトポロジーを必要とせずに、影響構造の共同学習と拡散ダイナミクスの予測を行うこと。
• 提案されたマルチタスク影響モデルに対して、スケーラブルで効率的な推論アルゴリズムを開発すること。

提案手法

• K個のトピックにわたるボリュームと影響力を同時に予測するためのマルチタスク線形影響モデル（LIM）を定式化し、共有された低ランク構造を用いる。
• ガウス・コプア理論を用いて、異なる感染症（トピック）間の依存構造をモデル化し、正の相関および負の相関を捉える。
• ノードおよびトピック間のクラスタリングパターンを捉えるために、影響行列に低ランク正則化子を課す。
• 非凸最適化問題を効率的に解くために、交替最適化を用いたプロキシマル勾配法を用いる。
• 時間遅れの影響関数を統合して、影響の時間的減衰をモデル化（L=5時間ステップ）。
• コプアベースの依存関係モデリングを用いた正則化最小二乗目的関数の最適化により、ノードごとのトピックごとの影響スコアを推定する。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク構造が未知の暗黙的ネットワークにおいて、時系列ボリューム予測をどのように改善できるか？
• RQ2 トピック間の依存関係をモデル化することで、影響構造推定およびボリューム予測の精度が向上するか？
• RQ3 マルチタスク拡散モデリングにおいて、影響行列に低ランク構造を導入した場合の影響は何か？
• RQ4 本モデルが特定する影響力のあるノードは、実世界のデータセットにおける直接的なツイート数に基づくものと比べてどう異なるか？
• RQ5 提案モデルは、複雑な実世界のソーシャルメディアデータにおいて、特定トピックに対する影響力のあるユーザーを信頼性高く検出できるか？

主な発見

• 提案手法はISIS Twitterデータセットにおいてボリューム予測のMSEが0.329を達成し、MSEが2.7であったMSLIMを著しく上回った。
• 影響スコアが総ツイート数と相関しないユーザーが影響力のあるユーザーとして正しく同定された。これは、影響力が単に活動レベルの関数ではないことを示している。
• トピック間で強い正の相関構造が学習され、これが予測性能の向上に寄与した。
• 複数のトピックにわたる最大影響スコアが高かったユーザーは、しばしば最も活発なツイート投稿者ではなかった。これは、本モデルが影響力は大きいが活動量が少ないユーザーを検出できる能力を有していることを示している。
• 平均影響スコア（≥1.3）および最大影響スコア（≥1.8）の閾値を用いて選別したユーザーの集合は、多様なトピック固有の影響パターンを持つ主要なインフルエンサーを捉えていた。
• 上位9名の影響力のあるユーザーの可視化結果から、彼らのツイート分布がトピックごとに著しくばらついており、複数トピックにまたがる拡散ハブとしての役割を果たしていることが確認された。