[論文レビュー] Motif Analysis in the Amazon Product Co-Purchasing Network

Abhishek Srivastava|arXiv (Cornell University)|Dec 18, 2010

Complex Network Analysis Techniques参考文献 2被引用数 9

ひとこと要約

本稿では、アマゾン製品の共同購入ネットワークにおける3ノードおよび4ノードのモチーフを分析し、顧客の購入行動における繰り返しパターンを解明する。モチーフ解析とコミュニティ検出を組み合わせることで、少数の人気製品が頻繁に一緒に購入される「収束モチーフ」がネットワークを支配していることが明らかになり、オンライン小売業者における需要予測および製品トレンド同定に役立つ知見が得られる。

ABSTRACT

Online stores like Amazon and Ebay are growing by the day. Fewer people go to departmental stores as opposed to the convenience of purchasing from stores online. These stores may employ a number of techniques to advertise and recommend the appropriate product to the appropriate buyer profile. This article evaluates various 3-node and 4-node motifs occurring in such networks. Community structures are evaluated too.These results may provide interesting insights into user behavior and a better understanding of marketing techniques.

研究の動機と目的

• アマゾン製品共同購入ネットワークにおける繰り返し発生する構造的パターン（モチーフ）を同定し、ユーザーの購入行動を理解すること。
• モチーフの頻度がランダムネットワークとどのように異なるかを評価し、統計的に有意な相互作用パターンを特定すること。
• コミュニティ検出をモチーフ解析と統合することで、製品共同購入トレンドを特定する際の精度を向上させること。
• モチーフ構造と長尾現象のような大規模な小売現象との関係を調査すること。
• オンライン小売業者による需要予測および標的広告のための実用的知見を提供すること。

提案手法

• 2003年3月2日に収集されたスタンフォード・ネットワーク・アナリシス・プロジェクト（SNAP）データセットのサブセットを用い、262,111ノードおよび1,234,877本の有向エッジ（共同購入を表す）を含む。
• すべての3ノードおよび4ノードの有向部分グラフパターンを特定するためのモチーフ検出アルゴリズムを適用し、ランダム化されたErdős–Rényiランダムグラフと頻度を比較した。
• 各モチーフのzスコアを計算し、確率的に予想されるよりも頻繁に出現する統計的有意性のあるモチーフを特定した。
• Girvan–Newmanアルゴリズムとモジュラリティ最大化を用いてコミュニティ検出を実施し、密接に関連する製品のクラスタを同定した。
• 共有購入パターンに基づいて製品をコミュニティにグループ化することでネットワークを粗くし、局所的なモチーフ解析を可能にした。
• 時間経過に伴うモチーフ統計をモニタリングし、購入行動の変化や新規製品トレンドの兆候を検出した。

実験結果

リサーチクエスチョン

• RQ1 アマゾン共同購入ネットワーク内において、どの3ノードおよび4ノードのモチーフがランダムネットワークよりも顕著に頻繁に出現するか？
• RQ2 モチーフの頻度は、現実の製品需要および顧客行動パターンとどのように関連しているか？
• RQ3 ネットワーク内のコミュニティ構造は、モチーフベースの解析の解釈可能性および正確性をどの程度向上させるか？
• RQ4 モチーフ解析は、新規製品トレンドや消費者嗜好の変化の早期兆候を検出できるか？
• RQ5 モチーフパターンはオンライン小売ネットワークにおける長尾現象とどのように共存するか？

主な発見

• 最も頻繁に出現するモチーフは収束モチーフ（1つのノードに向かって2本のエッジが向かう）であり、少数の製品が多数の他の製品と頻繁に一緒に購入されていることを示している。
• ネットワークのクラスタリング係数は0.424であり、すべての可能な三角形の23.61％が閉じているため、強い局所的接続性を示している。
• 最大の強い連結成分には全ノードの92.2％が含まれており、大多数の製品が密接に接続された購入ネットワークに属していることが示された。
• 収束モチーフが顕著に過剰に出現しており、人気製品のコアなグループが共同購入行動の大部分を牽引していることが示唆された。
• コミュニティ検出により、類似した購入パターンを持つ製品グループが分離され、より正確なトレンド検出が可能になった。
• 収束モチーフの優位性は長尾現象と矛盾しない。むしろ、少数の重要な製品がハブとして機能するマイクロスケールの行動を反映しており、長尾はより大きなスケールで顕在化する。