[论文解读] Predicting Small Group Accretion in Social Networks: A topology based incremental approach

Ankit Sharma, Xiaodong Feng+3 more|arXiv (Cornell University)|Jul 12, 2015

Complex Network Analysis Techniques参考文献 25被引用 4

一句话总结

本文提出了一种基于拓扑结构的增量方法，用于预测社交网络中的小型群体聚集，重点关注两种关键机制：增量聚集（IA）和子群聚集（SA）。提出了三种模型——基于Katz的方法、基于网络对齐的方法和基于标签传播的方法，利用超图结构和群体-参与者网络上的随机游走，实现了每组预测高达0.605的高召回率，表明在动态社交网络的高阶链接预测中表现优异。

ABSTRACT

Small Group evolution has been of central importance in social sciences and also in the industry for understanding dynamics of team formation. While most of research works studying groups deal at a macro level with evolution of arbitrary size communities, in this paper we restrict ourselves to studying evolution of small group (size $\leq20$) which is governed by contrasting sociological phenomenon. Given a previous history of group collaboration between a set of actors, we address the problem of predicting likely future group collaborations. Unfortunately, predicting groups requires choosing from $n \choose r$ possibilities (where $r$ is group size and $n$ is total number of actors), which becomes computationally intractable as group size increases. However, our statistical analysis of a real world dataset has shown that two processes: an external actor joining an existing group (incremental accretion (IA)) or collaborating with a subset of actors of an exiting group (subgroup accretion (SA)), are largely responsible for future group formation. This helps to drastically reduce the $n\choose r$ possibilities. We therefore, model the attachment of a group for different actors outside this group. In this paper, we have built three topology based prediction models to study these phenomena. The performance of these models is evaluated using extensive experiments over DBLP dataset. Our prediction results shows that the proposed models are significantly useful for future group predictions both for IA and SA.

研究动机与目标

• 为解决在社交网络中预测未来小型群体合作（规模≤20）的挑战，该挑战常因关注大型社区演化而被忽视。
• 将群体演化建模为非宏观层面的社区转变，而是基于参与者增加或子群整合的增量过程。
• 通过聚焦于两种主导机制——增量聚集（IA）和子群聚集（SA）——来减少$ n \choose r $种可能组合的不可行性爆炸。
• 开发基于拓扑结构的预测模型，其基础为社交网络理论和二元链接预测原则，并针对高阶群体结构进行适配。
• 在DBLP数据集上使用每组和全局指标评估模型性能，强调召回率，因为正样本高度稀疏。

提出的方法

• 通过在群体网络与外部参与者网络之间交替建模循环，将Katz中心性方法扩展至超图，以捕捉群体间的通信模式。
• 提出一种基于网络对齐的监督方法，利用群体与外部参与者之间的基于循环的相似性评分，预测聚集可能性。
• 引入一种基于标签传播的方法，采用群体-参与者复合网络上的双随机游走，游走过程在群体团簇与外部节点之间交替进行。
• 采用顺序双随机游走算法（BiRW_seq），在群体网络和外部网络步骤之间交替，衰减参数为$\alpha$，最大路径长度为$l_g = l_o = 4$。
• 使用群体网络邻接矩阵$\mathbf{N_g}$、网络间矩阵$\mathbf{I}$和外部网络矩阵$\mathbf{N_o}$，通过迭代矩阵乘法计算影响力得分。
• 将这些模型应用于预测未来群体形成，通过基于外部参与者对现有群体的预测附着可能性进行排序。

实验结果

研究问题

• RQ1 在社交网络中，驱动未来小型群体形成的主导机制是什么？
• RQ2 通过聚焦于特定聚集模式，如何减少可能群体形成的组合爆炸问题？
• RQ3 扩展二元链接预测至高阶结构的基于拓扑的模型，能否有效预测增量聚集和子群聚集？
• RQ4 不同建模方法——Katz风格、网络对齐和标签传播——在预测未来群体成员身份方面表现如何比较？
• RQ5 在小型群体预测中，每组指标与全局指标之间的性能权衡是什么？

主要发现

• 所提模型在每组预测的前100名中，增量聚集（IA）的平均召回率为0.605，子群聚集（SA）为0.5135，表明对真实未来群体的覆盖能力很强。
• 基于标签传播的方法（BRWS）在IA上实现了最高的平均精确率（0.0355）和召回率（0.6050），优于Katz风格（GKS）和全局标签传播（GLPS）模型。
• 在全局指标上，BRWS模型在IA上实现精确率0.0134和召回率0.0962，在SA上实现精确率0.0327和召回率0.0614，尽管样本稀疏，仍表现出改进性能。
• 高达0.605的高召回率表明，即使由于候选群体数量庞大导致精确率较低，模型仍能有效捕捉到相当一部分实际的未来群体形成。
• 统计分析证实，IA和SA占未来群体形成的绝大多数，因此聚焦于这两种机制合理，且将搜索空间从$ n \choose r $缩减至可管理的子集。
• 结果表明，利用超图结构和双随机游走的基于拓扑的模型在动态社交网络的高阶链接预测中是有效的。