[논문 리뷰] Maximizing Acceptance Probability for Active Friending in On-Line Social Networks

De-Nian Yang, Hui-Ju Hung외 2명|arXiv (Cornell University)|2013. 02. 27.

Complex Network Analysis Techniques참고 문헌 20인용 수 5

한 줄 요약

이 논문은 사회적 네트워크 대상자가 친구 요청을 수락할 확률을 극대화하기 위해 중간 연결을 전략적으로 안내함으로써 활성 친구추천 시스템을 제안한다. 트리 구조와 인근 노드 집계를 활용하는 다항식 시간 알고리즘인 SITINA를 사용하여 초대 순서를 최적화함으로써, 사용자 연구 및 페이스북과 플리커 데이터에서의 실험을 통해 수동 추천 및 탐욕적 기반선 대비 수락 확률과 효율성에서 뚜렷한 성능 향상을 보였다.

ABSTRACT

Friending recommendation has successfully contributed to the explosive growth of on-line social networks. Most friending recommendation services today aim to support passive friending, where a user passively selects friending targets from the recommended candidates. In this paper, we advocate recommendation support for active friending, where a user actively specifies a friending target. To the best of our knowledge, a recommendation designed to provide guidance for a user to systematically approach his friending target, has not been explored in existing on-line social networking services. To maximize the probability that the friending target would accept an invitation from the user, we formulate a new optimization problem, namely, \emph{Acceptance Probability Maximization (APM)}, and develop a polynomial time algorithm, called \emph{Selective Invitation with Tree and In-Node Aggregation (SITINA)}, to find the optimal solution. We implement an active friending service with SITINA in Facebook to validate our idea. Our user study and experimental results manifest that SITINA outperforms manual selection and the baseline approach in solution quality efficiently.

연구 동기 및 목표

• 사용자가 특정 대상을 수동으로 연결하고자 할 때 체계적인 추천 지원의 부족을 해결하기 위해.
• 수락 확률 최대화(APM) 문제를 정식화하여, 대상자가 수락할 가능성을 극대화하는 초대 순서를 최적화하기 위해.
• 비밀 유지 조건을 위반하지 않으면서도 최적의 초대 경로를 계산할 수 있는 효율적인 다항식 시간 알고리즘(SITINA)을 설계하고 구현하기 위해.
• 사용자 연구와 페이스북 및 플리커 데이터셋에서의 실제 실험을 통해 접근 방식을 검증하여 기반선 방법 대비 뛰어난 성능을 입증하기 위해.

제안 방법

• SITINA 알고리즘은 사회 네트워크의 위상 정보를 활용하여 이니시에이터에서 타겟까지의 잠재적 초대 경로의 트리를 구성한다.
• 노드 내 집계를 활용하여 사회적 영향력과 유사성 요인을 기반으로 각 후보 노드의 기대 수락 확률을 계산하고 전파한다.
• 사회적 영향력과 유사성을 모델링하기 위해 α로 매개변수화된 비대칭 분포를 사용하며, 이는 실제 세계 네트워크 역학을 반영한다.
• 수익의 누적 수락 확률을 극대화하는 경로를 우선시하여 최적의 중간 친구 초대 순서를 선택한다.
• 이니시에이터-타겟 관계를 직접 폭로하지 않기 때문에, 사생활 보호를 보장한다.
• 알고리즘은 페이스북에서 구현되었으며, 실제 사용자 데이터와 사용자 연구 피드백을 사용하여 평가되었다.

실험 결과

연구 질문

• RQ1 사회적 네트워크 서비스는 활성 친구추가 시 특정 대상을 수락할 확률을 체계적으로 높이기 위해 어떻게 사용자를 안내할 수 있는가?
• RQ2 사회적 영향력과 유사성 효과를 고려할 때, 타겟 수락 가능성을 극대화하기 위해 최적의 중간 연결 후보를 선택하는 알고리즘적 접근은 무엇인가?
• RQ3 수락 확률과 초대 효율성 측면에서 제안된 SITINA 알고리즘의 성능은 탐욕적 및 수동 선택 전략과 비교해 어떻게 되는가?
• RQ4 친구 수(N), 타겟 거리(d_s,t), 분포 비대칭성(α) 등의 네트워크 파라미터는 활성 친구추가 성공에 어떤 영향을 미치는가?
• RQ5 SITINA 알고리즘은 실제 사회 네트워크에서 관찰되는 사회적 영향력과 유사성의 비대칭 분포를 효과적으로 처리할 수 있는가?

주요 결과

• SITINA는 α > 1일 때 비대칭 사회적 영향력 분포 하에서 탐욕 기반선(RG)보다 수락 확률에서 뚜렷한 성능 향상을 보이며, α가 증가할수록 성능 격차가 커진다.
• 이니시에이터의 친구 수(N)가 많을수록 수락 확률이 높아지는 경향이 있으며, SITINA는 모든 N 수준에서 높은 성능를 유지한다.
• SITINA는 RG보다 더 짧은 초대 경로를 달성하며, 해답 트리의 최장 경로 길이가 감소한 것으로 나타나 타겟에 빠르게 수렴함을 시사한다.
• SITINA는 페이스북데이터(미국)와 플리커데이터(미국) 모두에서 높은 성능를 유지하며, 사용자 연구 및 지프-분포 모델을 포함한 다양한 링크 무게 모델에서도 일관된 결과를 보였다.
• r_R(초대 예산)을 다양하게 설정한 실험에서 SITINA는 모든 설정에서 높은 수락 확률을 유지하는 반면, RG는 비최적의 국소적 선택으로 인해 성능이 저하됨을 확인했다.
• 사용자 연구 결과, SITINA의 추천는 수동 선택이나 표준 수동 추천보다 더 효과적이고 체계적으로 인식됨을 확인했다.