[论文解读] Detecting Hierarchical Ties Using Link-Analysis Ranking at Different Levels of Time Granularity
本文提出一种时间粒度感知的链接分析排序方法，通过在不同时间分辨率下应用排序算法并结合投票机制，以推断社交网络中的层级关系（如上下级、导师-学生关系）。在Enron邮件数据集和合作者关系数据集上，该方法在召回率方面均优于基线方法，其中加权边表示法表现更优。
Social networks contain implicit knowledge that can be used to infer hierarchical relations that are not explicitly present in the available data. Interaction patterns are typically affected by users' social relations. We present an approach to inferring such information that applies a link-analysis ranking algorithm at different levels of time granularity. In addition, a voting scheme is employed for obtaining the hierarchical relations. The approach is evaluated on two datasets: the Enron email data set, where the goal is to infer manager-subordinate relationships, and the Co-author data set, where the goal is to infer PhD advisor-advisee relations. The experimental results indicate that the proposed approach outperforms more traditional approaches to inferring hierarchical relations from social networks.
研究动机与目标
- 为填补在社交网络中推断隐式层级关系时缺乏时间动态信息的空白。
- 在静态网络结构之外，提升层级关系检测的准确性。
- 评估时间粒度和边加权对层级关系推断排序性能的影响。
- 在具有已知层级关系的真实数据集（Enron：上下级关系；合作者关系：导师-学生关系）上验证该方法。
- 证明结合投票机制的时间感知排序方法在召回率上优于传统基线方法。
提出的方法
- 在多个时间粒度（Enron为每周和每月，合作者关系为每年）下对社交图应用链接分析排序（具体为PageRank的一种变体）。
- 为每个时间窗口构建独立的图，以建模随时间演化的互动模式。
- 采用投票机制聚合不同时间窗口的排序结果，将排名最频繁的节点作为推断出的层级上级。
- 评估加权与非加权图表示：加权边反映互动频率（如邮件数量或合著论文数）。
- 以召回率为首要指标，衡量真实层级关系在前k名排序节点中出现的比例。
- 将基于时间的方法与忽略时间动态的基线方法进行比较，使用相同的排序与投票框架。
实验结果
研究问题
- RQ1引入时间粒度是否能提升社交网络中层级关系推断的准确性？
- RQ2时间粒度的选择（如每周 vs. 每月）如何影响链接分析排序在层级关系检测中的性能？
- RQ3基于互动频率的加权边是否比非加权边在推断层级关系方面更有效？
- RQ4在时间窗口间采用投票机制是否能增强推断出的层级关系的可靠性？
- RQ5在真实数据集上，时间感知方法与非时间基线方法在召回率上的表现如何比较？
主要发现
- 在Enron和合作者关系数据集中，基于时间的多粒度分析方法显著优于忽略时间动态的基线方法。
- 在Enron数据集中，月度时间粒度的召回率优于周度粒度，且两者均优于非时间基线方法。
- 在两个数据集的所有配置下，加权边表示法的召回率始终高于非加权表示法。
- 在合作者关系数据集中，基于年度时间粒度和加权边的基于时间的方法达到了最高召回率，凸显了在对称网络中时间建模的重要性。
- 投票机制有效聚合了不同时间窗口的排序结果，提升了推断出的层级关系的稳定性和准确性。
- 总体而言，所提方法表现具有竞争力，其中加权且时间感知的排序在层级关系推断中表现最强。
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。