[论文解读] Authority-based Team Discovery in Social Networks
本文通过整合节点级权威性（如h指数）与边级通信成本，提出了一种基于权威性的专家网络团队发现方法，以形成更高质量的研究团队。该方法将通信成本与权威性相结合，形式化为NP难优化问题，引入一种将节点权重转移至边的变换方法，并在真实DBLP数据上评估了贪心算法，结果表明其性能优于仅考虑成本的传统方法，其中78%的顶级团队在2016年发表于更高水平的学术期刊。
Given a social network of experts, we address the problem of discovering a team of experts that collectively holds a set of skills required to complete a given project. Most prior work ranks possible solutions by communication cost, represented by edge weights in the expert network. Our contribution is to take experts authority into account, represented by node weights. We formulate several problems that combine communication cost and authority, we prove that they are NP-hard, and we propose and experimentally evaluate greedy algorithms to solve them.
研究动机与目标
- 为解决先前团队构建方法仅最小化通信成本的局限性，通过在团队选择中引入专家权威性（如h指数、发表数量）。
- 形式化新的排名目标，联合优化专家网络中的通信成本、技能持有者权威性与连接者权威性。
- 证明所提出的优化问题为NP难，从而说明需要采用启发式解法的合理性。
- 设计并评估贪心算法，以在团队构建中有效平衡通信成本与专家权威性。
- 通过DBLP数据集的实证验证，证明该方法在真实世界发表结果中的有效性，显示团队质量的提升。
提出的方法
- 将团队发现形式化为无向专家网络中的连通子图问题，其中节点代表具有技能集和权威值的专家。
- 引入三种优化目标：最小化通信成本（CC）、最大化连接者权威性（CA），以及结合得分（SA-CA-CC），通过技能持有者与连接者权威性的加权和与通信成本的组合来实现。
- 将原始图G中带有节点权重（权威性）的图转换为新图G'，通过变换将权威性编码为边权重：对于与节点c_i相连的边e，有w'(e) = w(e) + 1/a(c_i)。
- 在G'上应用贪心算法，同时优化通信成本与权威性，利用该变换保持最优解结构的特性。
- 采用混合评估框架，结合自动化指标（如SA-CA-CC得分、发表期刊排名）与人工评估（由研究生参与的用户研究）。
- 通过改变λ（权衡参数）进行敏感性分析，评估不同权威性-成本平衡下结果的鲁棒性。
实验结果
研究问题
- RQ1将专家权威性与通信成本相结合，是否能提升所发现研究团队的质量，相比仅考虑成本的方法？
- RQ2引入连接者权威性（如导师）对团队质量与发表结果有何影响？
- RQ3在通信成本与权威性之间调整权衡参数λ，对团队构成与性能有何影响？
- RQ4所提出的算法在效率与有效性方面，与基线方法（如仅通信成本CC和随机方法）相比如何？
- RQ5与仅基于成本的方法相比，该方法发现的团队在多大程度上更可能发表于更高水平的学术期刊？
主要发现
- 所提出的SA-CA-CC方法在SA-CA-CC得分上接近精确解（后者对大型项目计算上不可行），表明其具有出色的近似质量。
- 在用户研究中，CA-CC与SA-CA-CC均在Top-5精确率上优于CC方法，人工评估者认为其团队质量更高。
- 78%的情况下，SA-CA-CC发现的团队在2016年发表于比CC方法发现的团队更高级别的学术期刊。
- 敏感性分析表明，λ变化小于0.05时对团队质量影响极小，表明在不同权威性-成本权衡下具有鲁棒性。
- 贪心算法在典型项目上平均运行时间低于1秒，尽管底层问题为NP难，仍表现出极高的效率。
- 定性分析确认，SA-CA-CC返回的团队在技能持有者与连接者中具有更高的平均h指数，表明其具备更强的专家权威性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。