[論文レビュー] Producing a Unified Graph Representation from Multiple Social Network Views

Derek Greene, Pádraig Cunningham|arXiv (Cornell University)|Jan 24, 2013

Complex Network Analysis Techniques参考文献 13被引用数 5

ひとこと要約

本稿では、フォロー、リツイート、メンション、ユーザ生成コンテンツなどの異種のソーシャルネットワークビューを統合する非教師あり手法を提案する。各ビューから得られる順位付けられた近傍集合を手動での重み付けなしに集約することで、元のコミュニティ構造を保持したまま、5つのTwitterデータセットにおいて個々のビューを上回る一貫性指標を達成するスパースで有向なk近傍近傍グラフを構築する。

ABSTRACT

In many social networks, several different link relations will exist between the same set of users. Additionally, attribute or textual information will be associated with those users, such as demographic details or user-generated content. For many data analysis tasks, such as community finding and data visualisation, the provision of multiple heterogeneous types of user data makes the analysis process more complex. We propose an unsupervised method for integrating multiple data views to produce a single unified graph representation, based on the combination of the k-nearest neighbour sets for users derived from each view. These views can be either relation-based or feature-based. The proposed method is evaluated on a number of annotated multi-view Twitter datasets, where it is shown to support the discovery of the underlying community structure in the data.

研究の動機と目的

• 異なるリンクタイプやユーザ属性といった複数の異種なデータビューを有するソーシャルネットワークの分析に取り組むこと。
• 複数のネットワークビューを統合する際の手動によるパrameterチューニングや教師あり学習の必要性を排除すること。
• 多様なデータソースからの意味のあるコミュニティ構造を保持する、統一されたスパースなグラフ表現を生成すること。
• マルチリレーションデータを統合することで、コミュニティ検出や可視化などの後続分析をより効果的に可能にすること。
• 特定のビューが常に最良でないようなデータセット間で、堅牢な分析を可能にすること。

提案手法

• 本手法は、各データビューから得られるk近傍近傍集合を、順位集約を用いて統合することで統一グラフを構築する。情報性の高い接続を優先する。
• 関係ベース（例：フォロー、リツイート）または特徴ベース（例：ツイート内容、デモグラフィックス）の各ビューは、ユーザ間の類似度または順位スコアに変換される。
• 近傍集合は各ユーザごとに局所的に構築され、最終的なグラフは全ビューにわたる上位k個の順位付けられた近傍を選択することで形成され、スパarsityとスケーラビリティが保証される。
• 本手法は非教師ありであり、ビューの重み付けやラベル付き学習データの手動指定を必要としない。
• 不完全なビューおよびビュー間での部分的なユーザマッピングをサポートし、実用的応用性を高める。
• 最終的なグラフは有向かつスパースであり、各ノードは最大でk本の出力エッジを持つ。これにより、局所的な接続パターンが保持される。

実験結果

リサーチクエスチョン

• RQ1 手動によるパrameterチューニングなしに、複数の異種なソーシャルネットワークビューから統一グラフ表現を構築できるか？
• RQ2 個々のビューと比較して、統一グラフは潜在的なコミュニティ構造を保持または強化するか？
• RQ3 異なるビューが情報量に差がある多様なデータセットにおいて、本手法の性能はいかがなものか？
• RQ4 特定のビューが常に最良でない状況において、本手法が個々のビューを上回るコミュニティの一貫性指標を達成できるか？
• RQ5 編集が不一致するようなノイズが多いまたは低品質なビュー（例：編集されたユーザーリスト）に対しても、本手法は頑健か？

主な発見

• 統一グラフは、5つのTwitterデータセットのうち4つにおいて、すべての個々のビューを上回るマイクロ平均の一貫性スコアを達成した。これは、近傍の一貫性が向上したことを示している。
• politics-ukデータセットでは、共リスト化されたビューがわずかに統一グラフを上回った。これは、特定の文脈では編集済みリストが非常に情報量が多い可能性を示唆している。
• マクロ平均の一貫性スコアは、politics-ie や olympics のようなコミュニティサイズが不均衡なデータセットを含め、すべてのデータセットで統一グラフが堅牢に性能を発揮した。
• どの個々のビューとも、すべてのデータセットで一貫して他を上回ることはなかった。これは、自動統合手法の必要性を裏付けている。
• 本手法は、rugbyデータセットにおいて、国をまたいで移籍した選手を含む、国別クラブに対応するサブコミュニティを効果的に捉えた。
• 結果から、統一グラフが重複するおよび階層的なコミュニティ構造を効果的に強調していることが示された。特に、複数のビューが補完的な信号を提供する状況で顕著である。