[论文解读] Social Network Extraction: Superficial Method and Information Retrieval

Mahyuddin K. M. Nasution, Shahrul Azman Mohd Noah+1 more|arXiv (Cornell University)|Jan 12, 2016

Information Retrieval and Data Mining参考文献 9被引用 15

一句话总结

本文提出了一种无监督、基于信息检索的方法，通过利用URL结构和TF-IDF加权关键词，从网页文档中提取社交网络，以超越简单共现关系的抽取。该方法利用基于URL的相似性（USR）实现了70%的召回率和9%的精确率，优于仅使用关键词的方法，表明URL分析能够减少从非结构化网络数据中识别社交关系时的歧义。

ABSTRACT

Social network has become one of the themes of government issues, mainly dealing with the chaos. The use of web is steadily gaining ground in these issues. However, most of the web documents are unstructured and lack of semantic. In this paper we proposed an Information Retrieval driven method for dealing with heterogeneity of features in the web. The proposed solution is to compare some approaches have shown the capacity to extract social relation: strength relations and relations based on online academic database.

研究动机与目标

• 解决从非结构化、语义模糊的网络文档中提取社交网络的挑战。
• 通过整合URL结构和TF-IDF，改进传统基于共现的方法，以减少同义词和歧义问题。
• 评估结合关键词相似性和基于URL的匹配在学术社交网络关系抽取中的有效性。
• 使用标准信息检索指标，与人工整理的基于DBLP的社交网络进行性能基准测试。
• 探索利用URL模式作为无监督网络抽取中语义关系代理的可行性。

提出的方法

• 使用TF-IDF从网页摘要中选择相关关键词，筛选TF-IDF值高于最大值30%的关键词。
• 采用基于阈值的关系抽取方法（SRS），在关键词聚类上结合共现和相似性度量。
• 提出一种基于URL的相似性方法（USR），通过计算网页URL之间的相似性来推断社交关系。
• 使用Jaccard系数衡量提取网络与基准网络之间的相似性，以召回率、精确率和F1值作为评估指标。
• 使用基于DBLP作者-合作者关系构建的基准图来验证结果。
• 应用关联规则挖掘（ARS）生成用于比较的基准网络。

实验结果

研究问题

• RQ1 URL结构能否有效用于超越关键词共现的关系抽取？
• RQ2 基于URL的相似性在提取学术社交网络时，与基于关键词的相似性相比表现如何？
• RQ3 结合TF-IDF和URL分析在无监督社交网络抽取中，对召回率和精确率的提升程度如何？
• RQ4 所提出的方法是否能减少关键词方法中因同义词和多义词引起的歧义？
• RQ5 当应用于大量参与者姓名和潜在关系时，该方法的可扩展性如何？

主要发现

• 基于URL的相似性方法（USR）实现了70%的召回率和9%的精确率，显著优于仅使用关键词的方法（SRS），后者实现47%的召回率和10%的精确率。
• 在α=0.01时，USR识别出19,513条关系（占潜在关系的86%），而SRS在α=0.0001时仅识别出12,621条关系（占53%）。
• USR与基准网络之间的Jaccard相似度为0.009，略高于SRS的0.0094，表明与真实情况的对齐更好。
• 限制每个聚类中的关键词数量通过减少低质量或无关术语带来的噪声，提升了F1值。
• 该方法表明，URL可作为关系推断的稳定、无歧义信号，减少基于关键词方法中的同义词和歧义问题。
• 结果表明，URL结构为无监督社交网络抽取提供了有价值且尚未被充分利用的信号。