[論文レビュー] Link Prediction Using Supervised Machine Learning based on Aggregated and Topological Features

Mohammad Raeini|arXiv (Cornell University)|Jun 29, 2020

Complex Network Analysis Techniques被引用数 6

ひとこと要約

本稿では、集約的およびトポロジカル特徴量を用いた共同著者ネットワークにおけるリンク予測のための教師あり機械学習手法を提案する。最短経路距離と隣接ノード数の和という特徴量の組み合わせが予測精度を顕著に向上させることを示しており、モデルは最大97.65%の精度に達する。これは個々の特徴量や論文数の和という特徴量よりも優れているが、後者は支配的でありモデル性能を劣化させる。

ABSTRACT

Link prediction is an important task in social network analysis. There are different characteristics (features) in a social network that can be used for link prediction. In this paper, we evaluate the effectiveness of aggregated features and topological features in link prediction using supervised learning. The aggregated features, in a social network, are some aggregation functions of the attributes of the nodes. Topological features describe the topology or structure of a social network, and its underlying graph. We evaluated the effectiveness of these features by measuring the performance of different supervised machine learning methods. Specifically, we selected five well-known supervised methods including J48 decision tree, multi-layer perceptron (MLP), support vector machine (SVM), logistic regression and Naive Bayes (NB). We measured the performance of these five methods with different sets of features of the DBLP Dataset. Our results indicate that the combination of aggregated and topological features generates the best performance. For evaluation purposes, we used accuracy, area under the ROC curve (AUC) and F-Measure. Our selected features can be used for the analysis of almost any social network. This is because these features provide the important characteristics of the underlying graph of the social networks. The significance of our work is that the selected features can be very effective in the analysis of big social networks. In such networks we usually deal with big data sets, with millions or billions of instances. Using fewer, but more effective, features can help us for the analysis of big social networks.

研究の動機と目的

• 集約的およびトポロジカル特徴量が社会的ネットワークにおける教師ありリンク予測にどの程度有効であるかを評価すること。
• 大規模ネットワークにおける将来の共同著者リンクを予測する上で最も情報量の多い特徴量を特定すること。
• DBLPデータセットを用いて、複数の教師あり学習アルゴリズムが異なる特徴量セットでどのように性能を発揮するかを比較すること。
• 個々の特徴量よりも特徴量の組み合わせがリンク予測タスクにおいて優れているかどうかを検証すること。
• 数百万乃至数十億ノードを含む大規模な社会的ネットワークを分析するのに有効な特徴量セットを提供すること。

提案手法

• 2012–2016年のDBLP論文を用いて訓練データセットを構築し、2017–2018年のデータをテストセットとして使用した。
• 各著者ペアに対して、2つの集約的特徴量（隣接ノード数の和、論文数の和）を抽出した。
• 著者ペア間の最短経路距離という1つのトポロジカル特徴量を抽出した。
• 5つの教師あり学習モデル（J48決定木、多層パーセプトロン（MLP）、SVM、ロジスティック回帰、ナイーブベイズ）を訓練した。
• 訓練およびテストセットにおいて、正解率、AUC、F-measureを用いてモデルの性能を評価した。
• 3つの特徴量セット（個々の特徴量、集約的およびトポロジカル特徴量の組み合わせ、論文数の和特徴量のみ）の間でモデル性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 集約的特徴量（隣接ノード数の和、論文数の和）は、将来の共同著者リンク予測にどの程度有効か？
• RQ2 最短経路距離のようなトポロジカル特徴量は、リンク予測性能にどのように寄与するか？
• RQ3 集約的特徴量とトポロジカル特徴量を組み合わせることで、個々の特徴量を使用する場合よりもリンク予測精度が向上するか？
• RQ4 リンク存在確率と強く相関する論文数の和特徴量が、モデル性能に与える影響は何か？
• RQ5 最適な特徴量セットを用いた場合、どの教師あり機械学習アルゴリズムが最も優れた性能を示すか？

主な発見

• 最短経路距離と隣接ノード数の和の特徴量の組み合わせが、最高のモデル性能を達成し、テスト精度は97.65%に達した。
• 最短経路距離特徴量単体でも、モデル間で90.13%～97.65%のテスト精度を示し、最も優れた個別性能を発揮した。
• 論文数の和特徴量がモデル学習を支配し、他の特徴量が無視される結果となり、一般化性能が低下し、モデル効果が低下した。
• 隣接ノード数の和特徴量は、予測精度を74.25%～78.10%まで向上させ、論文数の和特徴量を上回ったが、最短経路距離特徴量に劣った。
• ロジスティック回帰とナイーブベイズが、組み合わせ特徴量セットで最高のF-measureおよびAUC値を示し、ロジスティック回帰は全体的な性能が優れていた。
• MLPは訓練セットで最高の正解率と高いAUC値を達成したが、F-measureが0.909と最低であり、精度と再現率のバランスに妥協が生じた。