[论文解读] Link Prediction for Egocentrically Sampled Networks

Li, Tianxi, Yun-Jhong Wu+2 more|arXiv (Cornell University)|Mar 12, 2018

Complex Network Analysis Techniques参考文献 30被引用 9

一句话总结

本文提出了一种计算高效的链路预测方法，适用于以自我为中心采样的网络，其中仅观察到部分节点及其连接关系。通过估计潜在概率矩阵的行空间，该方法在低采样率或稀疏网络条件下，优于标准矩阵补全和基于图翁（graphon）的技术，因其对以自我为中心采样偏差进行了针对性处理。

ABSTRACT

Link prediction in networks is typically accomplished by estimating or ranking the probabilities of edges for all pairs of nodes. In practice, especially for social networks, the data are often collected by egocentric sampling, which means selecting a subset of nodes and recording all of their edges. This sampling mechanism requires different prediction tools than the typical assumption of links missing at random. We propose a new computationally efficient link prediction algorithm for egocentrically sampled networks, which estimates the underlying probability matrix by estimating its row space. For networks created by sampling rows, our method outperforms many popular link prediction and graphon estimation techniques.

研究动机与目标

• 解决通过以自我为中心调查采样得到的网络中的链路预测挑战，其中仅观察到部分节点及其边。
• 克服现有矩阵补全和图翁估计方法的局限性，这些方法假设缺失链接是随机缺失的，而这一假设在以自我为中心采样中不成立。
• 通过利用潜在概率矩阵的低秩结构，开发一种方法，有效去噪并预测缺失的链接。
• 在稀疏或低采样率设置下提高预测准确性，这些情况下标准方法因采样偏差而失效。
• 提供一种计算高效的通用矩阵补全替代方案，同时考虑以自我为中心采样引入的特定噪声结构。

提出的方法

• 该方法将以自我为中心采样建模为从完整的 N×N 邻接矩阵中随机选择 n 行，导致节点连接关系的不完整观测。
• 通过利用低秩结构假设，首先基于观测到的自我网络估计概率矩阵 P 的行空间，进而估计 P。
• 该方法通过对采样行进行投影到估计的行子空间，执行矩阵补全，从而有效去噪并补全观测数据。
• 采用类似 CUR 的分解框架，其中行空间估计使未观测链接的高效且准确预测成为可能。
• 该方法通过显式建模采样机制为按行选择而非逐项缺失，避免了 i.i.d. 缺失性假设。
• 基于估计的概率矩阵计算链路得分，从而实现对未观测节点对的排序预测。

实验结果

研究问题

• RQ1 在以自我为中心采样下，链路预测性能如何与标准的随机缺失假设相比较？
• RQ2 一种利用概率矩阵低秩结构的方法，是否能在以自我为中心网络中优于通用矩阵补全方法？
• RQ3 所提出的方法在低采样率或稀疏网络条件下是否仍能保持高准确性？
• RQ4 在以自我为中心采样数据上，所提出方法与图翁估计及其他链路预测技术相比表现如何？
• RQ5 行空间估计是否能为基于调查的网络数据提供比标准矩阵补全更稳健、更准确的替代方案？

主要发现

• 在具有距离模型和乘积模型的合成网络中，所提方法在预测 AUC 和 Kendall’s tau 指标上始终优于所有基线方法，尤其在低采样率下表现更优。
• 对于随机块模型（SBM），该方法与基于图翁的 NS 方法表现相当，尽管 NS 方法在低采样率下略逊一筹。
• 随着平均度数和采样率的提高，性能如预期提升，但所提方法在稀疏和低采样率场景中始终保持一致优势。
• 当采样率较低时，该方法的预测 AUC 显著高于 i.i.d. 矩阵补全和 USVT，表明 i.i.d. 假设不适用于以自我为中心采样。
• 在真实数据集（宿舍居住、青少年健康、维基百科选举）上，该方法在所有采样率下均持续优于基线方法，尤其在低采样率（5–50%）时表现突出，置信区间显示其性能稳健。
• 该方法的计算成本仅略高于 CUR 分解，使其在大规模基于调查的网络分析中具有实际可行性。