[论文解读] Predicting Social Links for New Users across Aligned Heterogeneous Social Networks

Jiawei Zhang, Xiangnan Kong+1 more|arXiv (Cornell University)|Oct 13, 2013

Complex Network Analysis Techniques参考文献 20被引用 17

一句话总结

本文提出Scan-ps，一种在异构社交网络中针对新用户进行监督链接预测的方法，通过在目标网络内实施个性化采样，并从对齐的源网络中迁移用户信息，有效解决了冷启动问题，并在真实世界中的Twitter和Foursquare数据集上，针对不同程度的新用户表现优于现有方法。

ABSTRACT

Online social networks have gained great success in recent years and many of them involve multiple kinds of nodes and complex relationships. Among these relationships, social links among users are of great importance. Many existing link prediction methods focus on predicting social links that will appear in the future among all users based upon a snapshot of the social network. In real-world social networks, many new users are joining in the service every day. Predicting links for new users are more important. Different from conventional link prediction problems, link prediction for new users are more challenging due to the following reasons: (1) differences in information distributions between new users and the existing active users (i.e., old users); (2) lack of information from the new users in the network. We propose a link prediction method called SCAN-PS (Supervised Cross Aligned Networks link prediction with Personalized Sampling), to solve the link prediction problem for new users with information transferred from both the existing active users in the target network and other source networks through aligned accounts. We proposed a within-target-network personalized sampling method to process the existing active users' information in order to accommodate the differences in information distributions before the intra-network knowledge transfer. SCAN-PS can also exploit information in other source networks, where the user accounts are aligned with the target network. In this way, SCAN-PS could solve the cold start problem when information of these new users is total absent in the target network.

研究动机与目标

• 为解决在目标网络中缺乏足够历史活动的新用户的社会链接预测挑战。
• 克服新用户与已有老用户在社交网络链接预测中的分布差异问题。
• 通过从其他社交网络中对齐账户迁移信息，缓解冷启动问题。
• 通过结合网络内采样与网络间知识迁移，提升预测性能。
• 在具有不同程度用户新度的真实异构网络上评估该方法。

提出的方法

• Scan-ps采用目标网络内的个性化采样策略，重新加权老用户特征，降低新用户与老用户之间的分布差异。
• 它将来自源网络中对齐账户（如从Twitter到Foursquare）的辅助信息迁移过来，以丰富新用户的特征。
• 该方法采用监督学习框架，结合目标网络与源网络的结构特征和用户活动模式。
• 个性化采样根据老用户与新用户的相似度调整其贡献，提升对新型用户画像的泛化能力。
• 该框架支持多源对齐，即使新用户在目标网络中无任何活动，也能实现信息迁移。
• 采用AUC和准确率作为评估指标，并通过消融实验验证采样与跨网络迁移的影响。

实验结果

研究问题

• RQ1 在目标网络内实施个性化采样，能否提升活动数据有限的新用户的链接预测性能？
• RQ2 从对齐的源网络中进行跨网络信息迁移，在缓解冷启动问题方面有多有效？
• RQ3 结合网络内采样与网络间知识迁移，是否优于单一来源的方法？
• RQ4 当缺乏历史数据时，模型性能如何随用户新度的变化而变化，尤其是完全无历史数据的情况？
• RQ5 该方法能否在真实世界异构社交网络中超越传统链接预测方法？

主要发现

• Scan-ps在所有用户新度水平下均显著优于基线方法（如Old、Trad和Naive），尤其在剩余信息比例较低时表现更优。
• 个性化采样相比非采样基线（如Old-ps vs. Old）提升了性能，证明其在处理分布差异方面的有效性。
• 即使新用户在目标网络中活动为零（剩余信息比例=0.0），该方法仍保持强劲性能，证明其有效解决了冷启动问题。
• 同时使用源网络与目标网络（Scan-ps）的效果优于仅使用单一网络，证实多网络信息融合的优势。
• 消融实验表明，对老用户数据进行采样至关重要——若直接使用原始数据而不采样，性能会下降（如Trad vs. Trad-ps）。
• Scan-ps在Twitter-to-Foursquare与Foursquare-to-Twitter两种设置下，AUC与准确率均实现一致提升，验证了其鲁棒性。