[论文解读] Link Prediction Using Supervised Machine Learning based on Aggregated and Topological Features

Mohammad Raeini|arXiv (Cornell University)|Jun 29, 2020

Complex Network Analysis Techniques被引用 6

一句话总结

本文提出了一种基于聚合特征与拓扑特征的监督机器学习方法，用于合作作者网络中的链接预测。结果表明，将最短路径距离与邻居总和特征结合可显著提升预测准确率，模型最高准确率达97.65%，优于单一特征或仅使用论文数量总和特征的模型，后者因主导性过强而降低模型性能。

ABSTRACT

Link prediction is an important task in social network analysis. There are different characteristics (features) in a social network that can be used for link prediction. In this paper, we evaluate the effectiveness of aggregated features and topological features in link prediction using supervised learning. The aggregated features, in a social network, are some aggregation functions of the attributes of the nodes. Topological features describe the topology or structure of a social network, and its underlying graph. We evaluated the effectiveness of these features by measuring the performance of different supervised machine learning methods. Specifically, we selected five well-known supervised methods including J48 decision tree, multi-layer perceptron (MLP), support vector machine (SVM), logistic regression and Naive Bayes (NB). We measured the performance of these five methods with different sets of features of the DBLP Dataset. Our results indicate that the combination of aggregated and topological features generates the best performance. For evaluation purposes, we used accuracy, area under the ROC curve (AUC) and F-Measure. Our selected features can be used for the analysis of almost any social network. This is because these features provide the important characteristics of the underlying graph of the social networks. The significance of our work is that the selected features can be very effective in the analysis of big social networks. In such networks we usually deal with big data sets, with millions or billions of instances. Using fewer, but more effective, features can help us for the analysis of big social networks.

研究动机与目标

• 评估聚合特征与拓扑特征在社交网络监督链接预测中的有效性。
• 识别在大规模网络中预测未来合作作者链接时最具信息量的特征。
• 使用DBLP数据集比较多种监督学习算法在不同特征集上的性能表现。
• 确定特征组合是否在链接预测任务中优于单一特征。
• 提供一套适用于分析包含数百万甚至数十亿个节点的大规模社交网络的有效特征集。

提出的方法

• 使用2012–2016年DBLP论文构建训练数据集，2017–2018年数据作为测试集。
• 为每对作者提取两种聚合特征：邻居数量总和与论文数量总和。
• 提取一种拓扑特征：作者对之间的最短路径距离。
• 训练五种监督学习模型：J48决策树、多层感知机（MLP）、支持向量机（SVM）、逻辑回归和朴素贝叶斯。
• 使用准确率、AUC和F-measure在训练集与测试集上评估模型性能。
• 在三种特征集之间比较模型表现：单一特征、聚合特征与拓扑特征组合、以及仅使用论文数量总和特征。

实验结果

研究问题

• RQ1 聚合特征（邻居数量总和、论文数量总和）在预测未来合作作者链接方面效果如何？
• RQ2 如最短路径距离等拓扑特征如何提升链接预测性能？
• RQ3 将聚合特征与拓扑特征组合是否优于单独使用任一特征以提升链接预测准确率？
• RQ4 鉴于论文数量总和特征与链接存在性具有强相关性，其对模型性能有何影响？
• RQ5 在使用最优特征集时，哪种监督机器学习算法表现最佳？

主要发现

• 最短路径距离与邻居数量总和特征的组合实现了最高的模型性能，测试准确率最高达到97.65%。
• 最短路径距离特征单独使用时表现最佳，各类模型的测试准确率在90.13%至97.65%之间。
• 论文数量总和特征在模型学习中占据主导地位，导致其他特征被忽略，从而引发泛化能力下降与模型有效性降低。
• 邻居数量总和特征将预测准确率提升至74.25%–78.10%，优于论文数量总和特征，但仍低于最短路径距离特征的表现。
• 在组合特征集上，逻辑回归与朴素贝叶斯在F-measure与AUC值上表现最佳，其中逻辑回归展现出整体优异性能。
• MLP在训练集上准确率最高，AUC值也较强，但F-measure最低（0.909），表明其在精确率-召回率平衡上存在权衡。