[论文解读] Understanding the Interaction between Interests, Conversations and Friendships in Facebook

Qirong Ho, Rong Yan+2 more|arXiv (Cornell University)|Oct 31, 2012

Complex Network Analysis Techniques参考文献 20被引用 8

一句话总结

本文提出了一种可扩展的潜在空间模型 SM4，联合建模 Facebook 用户的文本、好友关系和兴趣标签，以揭示兴趣、对话与社交关系之间的相互作用。通过将多模态数据整合到统一的主题空间中，该模型发现同主题好友关系远多于跨主题关系，且具有相似兴趣的用户往往参与截然不同的对话主题，揭示了共享兴趣内部存在异质性子社区。

ABSTRACT

In this paper, we explore salient questions about user interests, conversations and friendships in the Facebook social network, using a novel latent space model that integrates several data types. A key challenge of studying Facebook's data is the wide range of data modalities such as text, network links, and categorical labels. Our latent space model seamlessly combines all three data modalities over millions of users, allowing us to study the interplay between user friendships, interests, and higher-order network-wide social trends on Facebook. The recovered insights not only answer our initial questions, but also reveal surprising facts about user interests in the context of Facebook's ecosystem. We also confirm that our results are significant with respect to evidential information from the study subjects.

研究动机与目标

• 在大规模范围内理解 Facebook 上用户兴趣、对话内容与好友网络之间的相互作用。
• 开发一种可扩展的多模态机器学习系统，整合文本、网络和标签数据，用于宏观层面的社会网络分析。
• 跨多样化数据模态可视化并总结用户行为，以揭示隐藏的社会模式。
• 识别具有相似兴趣的用户是否参与相似的对话并形成相似的好友关系模式。
• 利用研究对象中的证据信息评估研究发现的重要性。

提出的方法

• 提出监督式多视图混合成员模型（SM4），一种用于文本、网络和标签数据的统一潜在空间模型。
• 采用两阶段方法：首先在较小的数据子集上训练模型参数，然后并行推断数百万用户的潜在主题向量。
• 通过主题模型（受 sLDA 启发）建模用户文本，通过混合成员随机块模型（MMSB）建模好友关系，通过监督学习建模兴趣标签。
• 通过将文本、网络链接和标签映射到共享潜在主题空间，实现所有模态的整合，其中主题代表词语聚类、用户社区和兴趣相关性。
• 推理过程线性且可并行化，支持扩展至数亿用户。
• 测量主题-主题好友关系相关性，并量化同主题与跨主题好友关系的频率。

实验结果

研究问题

• RQ1 Facebook 的好友图、兴趣图与对话内容之间如何相互关联？
• RQ2 具有相似兴趣的用户之间会形成怎样的好友关系模式？
• RQ3 具有相似兴趣的用户是否也会讨论相同的话题？
• RQ4 不同兴趣（如露营与电影）在关联的好友与对话模式上存在哪些差异？
• RQ5 单一兴趣内部是否存在不同的子社区，它们与社交连通性有何关系？

主要发现

• 同主题好友关系显著多于跨主题好友关系，其频率为 0.8% 至 4.0%，而跨主题配对的频率仅为 0.02% 至 0.04%。
• 具有相似兴趣的用户通常属于语义上截然不同的对话社区，例如针对‘烹饪’兴趣，‘海滩’和‘披头士’主题虽与该兴趣正相关，但两者之间好友连接极少。
• 与‘社交活动’（如‘俱乐部’和‘旅行’）相关的‘海滩’烹饪主题表现出高同主题好友密度，而与电视文化相关的‘披头士’体育主题也展现出跨主题的强社交性。
• 某些兴趣如烹饪与体育由多个独立且不重叠的社区构成——例如‘精致餐饮’与‘流行文化’——表明‘一刀切’的广告或政策策略无效。
• 粉丝页面和非正式对话常作为对话的共同锚点，且高社交活跃度的主题（如电视相关或事件相关）表现出更强的同主题好友形成能力。
• 该模型证实了结果具有统计显著性，数据提供了强有力的证据支持，尤其在检测出人意料的相关性方面，例如‘暮光之城’品牌与‘电影’正相关，‘雪碧’与‘电影’也呈正相关。