[论文解读] Inferring the strength of social ties: a community-driven approach

Polina Rozenshtein, Nikolaj Tatti+1 more|arXiv (Cornell University)|Feb 5, 2019

Complex Network Analysis Techniques参考文献 34被引用 12

一句话总结

本文提出一种由社区驱动的方法，通过结合强三元闭包（STC）原则与显式紧密社区作为约束，推断社交关系强度。该方法提出两种NP难问题形式：MinViol（最小化STC违反）与MaxTri（最大化未违反的开三角形）。针对MaxTri，设计了一种具有理论保证的贪心近似算法，通过利用社区结构，在真实数据集上优于基线方法。

ABSTRACT

Online social networks are growing and becoming denser. The social connections of a given person may have very high variability: from close friends and relatives to acquaintances to people who hardly know. Inferring the strength of social ties is an important ingredient for modeling the interaction of users in a network and understanding their behavior. Furthermore, the problem has applications in computational social science, viral marketing, and people recommendation. In this paper we study the problem of inferring the strength of social ties in a given network. Our work is motivated by a recent approach [27], which leverages the strong triadic closure (STC) principle, a hypothesis rooted in social psychology [13]. To guide our inference process, in addition to the network structure, we also consider as input a collection of tight communities. Those are sets of vertices that we expect to be connected via strong ties. Such communities appear in different situations, e.g., when being part of a community implies a strong connection to one of the existing members. We consider two related problem formalizations that reflect the assumptions of our setting: small number of STC violations and strong-tie connectivity in the input communities. We show that both problem formulations are NP-hard. We also show that one problem formulation is hard to approximate, while for the second we develop an algorithm with approximation guarantee. We validate the proposed method on real-world datasets by comparing with baselines that optimize STC violations and community connectivity separately.

研究动机与目标

• 解决在密集在线网络中推断社交关系强度的挑战，其中关系强度从强到弱不等。
• 将紧密社区（如研究小组或专业团队）作为结构约束，以指导关系强度的推断。
• 形式化两种问题变体：最小化STC违反（MinViol）与最大化未违反的开三角形（MaxTri）。
• 为MaxTri形式化设计一种具有理论保证的近似算法。
• 在真实数据集上验证该方法，并展示其在性能上优于仅基于STC或仅基于社区的基线方法。

提出的方法

• 该方法采用强三元闭包（STC）原则，即若两个节点均与第三个节点存在强关系，则它们之间至少应存在一条弱关系。
• 提出两种问题形式：MinViol最小化STC违反的数量，而MaxTri最大化未违反的开三角形数量。
• 针对MaxTri，作者设计了一种贪心算法，通过在拟阵约束的交集中最大化一个子模函数，确保获得(1 - 1/e)的近似保证。
• 该算法处理楔形结构（共享一个公共节点的边对），并选择能最小化STC违反且满足社区连通性的强关系。
• 紧密社区被用作输入约束，要求社区内所有节点必须通过强关系相互连接。
• 该方法在真实数据集上进行评估，包括KDD奖项获得者网络及其他社交图，与Sintos和Tsaparas（2014）以及仅基于社区的基线方法进行比较。

实验结果

研究问题

• RQ1 将紧密社区纳入是否能提升仅依赖STC原则的社交关系强度推断准确性？
• RQ2 在近似难度与实际性能方面，MinViol与MaxTri两种问题形式如何比较？
• RQ3 能否为MaxTri形式化设计一种具有理论保证的多项式时间近似算法？
• RQ4 社区结构在多大程度上提升了真实网络中强关系的检测能力？
• RQ5 所提出的方法与仅优化STC违反或社区连通性的基线方法相比表现如何？

主要发现

• MinViol问题被证明为NP难且难以近似，表明最小化STC违反存在根本性限制。
• MaxTri问题同样为NP难，但所提出的贪心算法实现了(1 - 1/e)的近似保证，提供了坚实的理论基础。
• 在真实数据集上，所提方法显著优于Sintos和Tsaparas（2014）的基线方法，后者忽略了社区结构。
• 通过整合STC约束，该方法在社区仅基线基础上实现改进，从而实现更准确且一致的强关系检测。
• 对KDD奖项获得者个体网络的案例研究显示，该算法识别出与已知学术合作相符的合理强关系。
• 运行时间从52秒到近5小时不等，但作者指出通过优化与并行化可大幅缩短计算时间。