[论文解读] Cross-Domain Entity Resolution in Social Media

William M. Campbell, Lin Li+5 more|arXiv (Cornell University)|Aug 3, 2016

Data Quality and Management参考文献 21被引用 11

一句话总结

本文提出了一种跨域实体消歧框架，用于通过配置文件、内容和基于图的特征在 Twitter 和 Instagram 之间链接用户。该框架引入了新颖的技术，如用于字符串匹配的 Burrows-Wheeler 变换和跨域社区检测，通过特征融合实现低于 1% 的等错误率（EER），在真实世界社交媒体数据上展现出最先进性能。

ABSTRACT

The challenge of associating entities across multiple domains is a key problem in social media understanding. Successful cross-domain entity resolution provides integration of information from multiple sites to create a complete picture of user and community activities, characteristics, and trends. In this work, we examine the problem of entity resolution across Twitter and Instagram using general techniques. Our methods fall into three categories: profile, content, and graph based. For the profile-based methods, we consider techniques based on approximate string matching. For content-based methods, we perform author identification. Finally, for graph-based methods, we apply novel cross-domain community detection methods and generate neighborhood-based features. The three categories of methods are applied to a large graph of users in Twitter and Instagram to understand challenges, determine performance, and understand fusion of multiple methods. Final results demonstrate an equal error rate less than 1%.

研究动机与目标

• 解决在 Twitter 和 Instagram 等平台之间链接社交媒体用户所面临的挑战，其中用户配置文件存在噪声且不完整。
• 开发鲁棒且可扩展的方法，利用多种数据源（包括配置文件、内容和网络结构）实现跨域实体消歧。
• 评估并融合基于配置文件、基于内容和基于图的特征，以提升实体消歧的准确性。
• 证明在真实世界嘈杂社交媒体数据中，高级归一化和社区检测技术的有效性。
• 在存在缺失数据、自我报告的不准确性以及平台特异性噪声的情况下，实现高精度的实体消歧。

提出的方法

• 基于配置文件的方法使用新颖的归一化技术进行近似字符串匹配，包括 Burrows-Wheeler 变换和基于标记的字符串度量。
• 基于内容的方法应用作者识别技术，根据写作风格和语言模式匹配用户。
• 基于图的方法使用用户名和话题标签构建多层网络，然后应用跨域社区检测以生成邻域和社区特征。
• 社区检测的种子来源于共同话题标签和精确用户名匹配，以实现跨平台的社区对齐。
• 特征融合通过逻辑回归和随机森林模型，将来自配置文件、内容和图特征的相似度得分进行组合。
• 缺失数据通过为每种特征组合训练独立的融合模型，并在测试时选择合适模型来处理。

实验结果

研究问题

• RQ1 仅使用用户名和全名，基于配置文件的方法能否在 Twitter 和 Instagram 之间有效实现实体消歧？
• RQ2 在文本数据有限的情况下，基于内容的作者识别技术在跨域实体消歧中的表现如何？
• RQ3 基于图的特征，尤其是跨域社区检测，能在多大程度上提升消歧准确性？
• RQ4 如何最优地融合配置文件、内容和图特征，以最小化错误率？
• RQ5 种子选择（共同话题标签 vs. 精确用户名）对基于图的特征生成性能有何影响？

主要发现

• 当使用共同话题标签作为种子时，配置文件、内容和图特征的融合在 ALL 数据集上实现了 1.00% 的等错误率（EER），在 NT 数据集上为 3.32%。
• 当同时使用共同话题标签和精确用户名匹配作为种子时，融合性能进一步提升，ALL 数据集上的 EER 降低至 0.89%，NT 数据集上为 3.08%。
• 配置文件和图特征的结合带来了最显著的性能提升，其中图特征在低误报率下特别有效，显著降低了漏报率。
• 随机森林模型在融合中表现优于逻辑回归，使用共同话题标签作为种子时，实现了最低的 EER：ALL 数据集为 1.00%，NT 数据集为 3.32%。
• 1 跳和 2 跳邻域的邻域与社区特征表现出较高的性能方差，其中 1 跳特征比 2 跳特征更具可靠性。
• 在配置文件和内容特征中加入图特征后，错误率显著降低，证明了结构信息在跨域消歧中的价值。