[论文解读] Predicting Multi-actor collaborations using Hypergraphs

Ankit Sharma, Jaideep Srivastava+1 more|arXiv (Cornell University)|Jan 24, 2014

Tensor decomposition and applications参考文献 16被引用 7

一句话总结

本文提出一种基于张量的超图模型，通过将时变协作网络表示为超关联张量，实现高阶边预测。结果表明，超图模型在预测三至七人协作时，F-Score平均提升45%，在更高阶群体中表现更优，且在二元边预测中也具有鲁棒性。

ABSTRACT

Social networks are now ubiquitous and most of them contain interactions involving multiple actors (groups) like author collaborations, teams or emails in an organizations, etc. Hypergraphs are natural structures to effectively capture multi-actor interactions which conventional dyadic graphs fail to capture. In this work the problem of predicting collaborations is addressed while modeling the collaboration network as a hypergraph network. The problem of predicting future multi-actor collaboration is mapped to hyperedge prediction problem. Given that the higher order edge prediction is an inherently hard problem, in this work we restrict to the task of predicting edges (collaborations) that have already been observed in past. In this work, we propose a novel use of hyperincidence temporal tensors to capture time varying hypergraphs and provides a tensor decomposition based prediction algorithm. We quantitatively compare the performance of the hypergraphs based approach with the conventional dyadic graph based approach. Our hypothesis that hypergraphs preserve the information that simple graphs destroy is corroborated by experiments using author collaboration network from the DBLP dataset. Our results demonstrate the strength of hypergraph based approach to predict higher order collaborations (size>4) which is very difficult using dyadic graph based approach. Moreover, while predicting collaborations of size>2 hypergraphs in most cases provide better results with an average increase of approx. 45% in F-Score for different sizes = {3,4,5,6,7}.

研究动机与目标

• 解决社交网络中多主体协作预测的挑战，其中群体互动涉及超过两个参与者。
• 克服传统二元图模型的局限性，后者在将多主体互动压缩为成对链接时会丢失群体层面的信息。
• 提出一种时间建模方法，利用超图捕捉随时间演化的协作模式。
• 提供一种稳健的高阶协作预测框架，保留传统图方法中丢失的结构与时间信息。
• 证明超图模型在预测规模大于2的协作方面优于二元图模型，尤其在较大群体（规模大于4）中表现更优。

提出的方法

• 将协作网络建模为超图，其中每个超边代表一组合作者或协作成员。
• 构建超关联张量以表示时变的超图结构，编码不同时间点下哪些参与者参与了哪些协作。
• 应用张量分解技术，学习超关联张量的低秩表示，用于预测建模。
• 采用监督学习方法，基于历史张量数据预测未来超边。
• 使用标准链接预测指标（F-Score、精确率、召回率）将基于超图的张量模型与传统二元图模型进行性能比较。
• 在多种实验设置下评估模型，包括不同训练与测试周期，以评估泛化能力与鲁棒性。

实验结果

研究问题

• RQ1 在建模多主体互动时，超图是否能比二元图更好地保留群体层面的协作信息？
• RQ2 基于超图的预测性能与基于图的预测性能相比，在高阶协作（规模 > 2）中表现如何？
• RQ3 与传统图模型相比，基于张量的超关联模型是否能提升规模为3–7的协作预测准确率？
• RQ4 所提出的超图模型在预测二元与高阶协作方面是否具有鲁棒性？
• RQ5 训练周期长度如何影响时间协作网络中的预测性能？

主要发现

• 与二元图模型相比，基于超图的方法在协作规模3–7范围内，F-Score平均提升45%。
• 对于规模大于4的协作，超图模型显著优于图模型，所有实验中其F-Score曲线始终高于图基方法。
• 即使在二元边预测任务中，模型也保持强劲表现，实验D中基于超图的F-Score略高于基于图的F-Score。
• 更长的训练周期并不总能提升预测准确率；在某些情况下，反而会降低性能，表明历史数据可能成为噪声源。
• 超关联张量能有效捕捉时间动态，利用近期历史数据（如3年训练预测5年）可实现对未来协作的准确预测。
• 结果证实，超图能保留二元图表示中丢失的结构信息，使其更适合建模现实世界中的多主体协作。