[论文解读] The power of indirect social ties

Xiang Zuo, Jeremy Blackburn+3 more|arXiv (Cornell University)|Jan 17, 2014

Social Capital and Networks参考文献 34被引用 3

一句话总结

本文提出了一种社会强度度量方法，通过结合互动频率和连接路径的多重性，量化间接社会关系——即通过一个或多个共同好友连接的个体之间的关系。该度量方法提升了朋友对朋友存储系统的资源招募效率，并能以高达93.5%的准确率提前2–3步预测信息传播，从而增强资源可用性，并支持在社交网络中实现主动干预。

ABSTRACT

While direct social ties have been intensely studied in the context of computer-mediated social networks, indirect ties (e.g., friends of friends) have seen little attention. Yet in real life, we often rely on friends of our friends for recommendations (of good doctors, good schools, or good babysitters), for introduction to a new job opportunity, and for many other occasional needs. In this work we attempt to 1) quantify the strength of indirect social ties, 2) validate it, and 3) empirically demonstrate its usefulness for distributed applications on two examples. We quantify social strength of indirect ties using a(ny) measure of the strength of the direct ties that connect two people and the intuition provided by the sociology literature. We validate the proposed metric experimentally by comparing correlations with other direct social tie evaluators. We show via data-driven experiments that the proposed metric for social strength can be used successfully for social applications. Specifically, we show that it alleviates known problems in friend-to-friend storage systems by addressing two previously documented shortcomings: reduced set of storage candidates and data availability correlations. We also show that it can be used for predicting the effects of a social diffusion with an accuracy of up to 93.5%.

研究动机与目标

• 量化间接社会关系的强度，尽管这类关系在推荐、工作推荐和信息共享等现实应用中具有重要价值，但常被忽视。
• 将所提出的社交强度度量方法与既有的关系强度度量（如Jaccard指数和互动频率）进行对比验证。
• 在两个实际应用场景中展示该度量方法的实用性：提升朋友对朋友存储系统的资源招募效率，以及预测社交传播路径。
• 解决朋友对朋友系统中的已知局限，如候选资源池有限以及因同步问题导致的数据可用性低。
• 通过局部计算社交强度，实现去中心化、可扩展且保护隐私的社交网络应用。

提出的方法

• 社交强度度量方法将间接关系强度定义为2跳路径数量与每条路径上直接关系强度的函数，使用互动频率作为关系强度的代理指标。
• 该方法能够建模社会关系中的非对称性，反映A可能认为B是强间接关系，而B未必有相同感知的情况。
• 该度量方法引入了路径多重性：通过多条2跳路径连接的用户，被认为比仅通过单条路径连接的用户社会关系更紧密。
• 使用真实世界数据集（CA-I、CA-II、TF2）计算并验证社交强度，通过其与Jaccard指数和互动频率的相关性进行评估。
• 在预测任务中，该度量方法根据社交强度对潜在传播路径进行排序，从而实现对感染或信息传播路径的提前预测，最远可提前3步。
• 基线方法对所有2跳和3跳邻居采用统一接受假设，而本方法采用基于强度的自适应预测策略。

实验结果

研究问题

• RQ1 如何定量测量间接社会关系的强度，使其能真实反映现实社会动态和关系非对称性？
• RQ2 所提出的社交强度度量方法与既有的直接关系强度度量（如Jaccard指数和互动频率）之间的相关性如何？
• RQ3 社交强度度量方法能否通过扩大候选资源池并减少对同步可用性的依赖，提升朋友对朋友备份系统中的资源招募效率？
• RQ4 社交强度在预测社交网络中信息传播路径方面有多高的准确性，特别是在感染发生前2–3步？
• RQ5 社交强度在何种方式下可增强社交网络中去中心化、保护隐私的应用？

主要发现

• 社交强度度量方法与Jaccard指数及互动频率均表现出强烈的正相关性，验证了其在量化间接关系强度方面的准确性。
• 利用社交强度进行资源招募，使资源在线可用性最高提升20%，通过将候选池扩展至直接好友之外。
• 该度量方法在预测信息传播路径方面达到最高93.5%的准确率，所有测试网络中敏感度、特异度和准确率均超过0.74。
• 即使在3跳预测中，该度量方法在敏感度、特异度和准确率方面均保持高于0.5的性能，且在所有三个网络（CA-I、CA-II、TF2）中均优于统一接受基线。
• 基于社交强度的预测方法显著优于基线方法，尤其在部分传播的网络中表现更优，峰值性能达到0.89敏感度、0.79特异度和0.82准确率。
• 该度量方法在不同密度的网络中均表现出一致性，表明其对网络结构差异具有鲁棒性。