[论文解读] Maximizing Acceptance Probability for Active Friending in On-Line Social Networks

De-Nian Yang, Hui-Ju Hung+2 more|arXiv (Cornell University)|Feb 27, 2013

Complex Network Analysis Techniques参考文献 20被引用 5

一句话总结

本文提出了一种新颖的主动好友推荐系统，通过战略性地引导用户经由中间连接人，以最大化社交媒体目标用户接受好友请求的概率。采用一种名为 SITINA 的多项式时间算法，该算法利用树状结构和节点内聚合技术，优化邀请序列。在 Facebook 和 Flickr 数据集上的用户研究与实验验证表明，该方法在接受概率和效率方面显著优于被动推荐和贪心基线方法。

ABSTRACT

Friending recommendation has successfully contributed to the explosive growth of on-line social networks. Most friending recommendation services today aim to support passive friending, where a user passively selects friending targets from the recommended candidates. In this paper, we advocate recommendation support for active friending, where a user actively specifies a friending target. To the best of our knowledge, a recommendation designed to provide guidance for a user to systematically approach his friending target, has not been explored in existing on-line social networking services. To maximize the probability that the friending target would accept an invitation from the user, we formulate a new optimization problem, namely, \emph{Acceptance Probability Maximization (APM)}, and develop a polynomial time algorithm, called \emph{Selective Invitation with Tree and In-Node Aggregation (SITINA)}, to find the optimal solution. We implement an active friending service with SITINA in Facebook to validate our idea. Our user study and experimental results manifest that SITINA outperforms manual selection and the baseline approach in solution quality efficiently.

研究动机与目标

• 为解决主动好友推荐中缺乏系统性推荐支持的问题，即用户主动寻求与特定目标用户建立连接。
• 将接受概率最大化（APM）问题形式化，优化邀请序列以最大化目标用户接受的概率。
• 设计并实现一种高效、多项式时间的算法（SITINA），在不违反隐私约束的前提下计算最优邀请路径。
• 通过 Facebook 和 Flickr 数据集上的用户研究与真实世界实验验证该方法，证明其在性能上显著优于基线方法。

提出的方法

• SITINA 算法基于社交网络的拓扑信息，从发起者到目标用户构建潜在邀请路径的树状结构。
• 采用节点内聚合技术，根据社交影响力和同质性因素，计算并传播每个候选节点的预期接受概率。
• 通过由 α 参数化的偏态分布对社交影响力和同质性进行建模，反映现实世界网络的动态特性。
• 选择最优的中间好友邀请序列，优先选择能最大化累积接受概率通往目标的路径。
• 通过仅推荐朋友的朋友来确保隐私，避免直接暴露发起者与目标之间的关系。
• 该算法在 Facebook 上实现，并使用真实用户数据和用户研究反馈进行评估。

实验结果

研究问题

• RQ1 社交网络服务如何系统性地引导用户，以提高在主动添加特定目标用户为好友时的接受概率？
• RQ2 在考虑社交影响力和同质性效应的前提下，何种算法方法能最优地选择中间连接候选者，以最大化目标用户的接受概率？
• RQ3 在接受概率和邀请效率方面，所提出的 SITINA 算法相较于贪心策略和人工选择策略的性能表现如何？
• RQ4 网络参数（如好友数量 N、目标距离 d_s,t 和分布偏度 α）如何影响主动好友添加的成功率？
• RQ5 SITINA 算法能否有效处理现实社交网络中社交影响力和同质性的偏态分布？

主要发现

• 在社交影响力分布偏度 α > 1 的情况下，SITINA 显著优于贪心基线方法（RG），尤其在 α 值上升时，性能差距进一步扩大。
• 发起者的好友数量 N 与更高的接受概率正相关，且 SITINA 在所有 N 水平下均保持高性能。
• SITINA 的邀请路径长度短于 RG，表现为解树中最长路径长度减少，表明能更快收敛至目标用户。
• 在 FacebookData（美国）和 FlickrData（美国）数据集上，SITINA 均保持高性能，且在不同链接权重模型（用户研究与 Zipfian 分布）下结果一致。
• 在 r_R（邀请预算）变化的实验中，SITINA 在所有设置下均维持高接受概率，而 RG 因局部选择次优而性能下降。
• 用户研究表明，SITINA 的推荐被感知为比人工选择或标准被动推荐更有效、更系统化。