[论文解读] Social Network Generation and Role Determination Based on Smartphone Data

Mustafa İlhan Akbaş, Matthias R. Brust+1 more|arXiv (Cornell University)|May 17, 2013

Human Mobility and Location-Based Analysis参考文献 5被引用 6

一句话总结

本文提出了一种从智能手机交互数据自动生成社交网络并确定用户角色的方法，通过加权交互类型（通话、消息、近距离接触）及Colley排名算法，推断友谊强度与层级社交圈。该方法实现了无需用户主动输入的动态、数据驱动社交网络重建。

ABSTRACT

We deal with the problem of automatically generating social networks by analyzing and assessing smartphone usage and interaction data. We start by assigning weights to the different types of interactions such as messaging, email, phone calls, chat and physical proximity. Next, we propose a ranking algorithm which recognizes the pattern of interaction taking into account the changes in the collected data over time. Both algorithms are based on recent findings from social network research.

研究动机与目标

• 为解决手动维护社交网络的负担，通过智能手机数据自动推断社交网络。
• 评估不同交互类型（通话、消息、近距离接触）并赋予上下文感知权重，以反映其社交影响。
• 基于交互频率与类型对朋友进行排名，以识别友谊层级。
• 利用排名结果将朋友组织成层级社交圈（例如，最内层包含5人）。
• 开发一种可扩展的动态模型，用于社交网络推断，能够适应交互模式的变化。

提出的方法

• 根据社会科学研究成果，为不同交互类型分配特定权重（α, β, γ, δ）：电话通话（F(T)）、视频通话（V(T)）、面对面接触（P(T)）及消息/邮件（E(S)）。
• 使用加权交互评分：i_{A,B} = α·F(T) + β·V(T) + γ·P(T) + δ·E(S)，量化用户之间的交互强度。
• 应用Colley排名方法，通过将交互比较转化为线性系统 Cr = b（其中 r 代表友谊评分）对朋友进行排名。
• 将Colley系数矩阵 C 定义为：对角线元素为 (2 + t_i)，非对角线元素为 (-n_ij)，表示相互比较。
• 为所有朋友初始分配 0.5 的评分，以确保中位数基准并提高对小数据波动的稳定性。
• 根据Colley评分将排名后的朋友映射到层级社交圈（例如，最内层包含5人）。

实验结果

研究问题

• RQ1 能否利用智能手机交互数据（通话、消息、近距离接触）自动推断用户社交网络结构？
• RQ2 如何对不同交互类型进行加权，以反映其对友谊强度的相对影响？
• RQ3 Colley排名方法在稀疏交互数据下，多大程度上能有效建模社交关系的动态变化？
• RQ4 能否从基于交互的排名中可靠地推断出层级社交圈（例如，最内层5人）？
• RQ5 在现实场景中，该方法如何处理有限或不断演变的交互历史？

主要发现

• Colley排名方法为朋友排名提供了稳定且唯一的解，初始评分0.5确保了中位数基准，并对微小数据波动不敏感。
• 交互评估函数支持对通信类型的灵活加权，可适应不同社交情境或用户群体。
• 友谊强度通过考虑胜负比较与总交互量的线性系统实现定量排名。
• 该模型成功地将排名后的朋友映射为离散社交圈，最内层社交圈最多包含五人，与Dunbar的社会分层理论一致。
• 该方法在无需显式用户配置的情况下，仅利用智能手机传感器和使用数据，展示了自动构建社交网络的可行性。