[论文解读] Vertex Nomination via Content and Context

Glen Coppersmith, Carey E. Priebe|arXiv (Cornell University)|Jan 19, 2012

Algorithms and Data Compression参考文献 6被引用 20

一句话总结

本文提出了一种顶点提名框架，通过联合建模属性图中的内容（通信主题）与上下文（网络结构），以识别潜在的有趣个体（如Enron邮件语料库中的欺诈者）。该方法采用内容与上下文统计的线性融合。关键贡献在于，融合内容与上下文显著优于单独使用任一模态，最优性能出现在非平凡的融合权重处（γ ≈ 0.4），在模拟与真实数据中均展现出更优的推断能力。

ABSTRACT

If I know of a few persons of interest, how can a combination of human language technology and graph theory help me find other people similarly interesting? If I know of a few people committing a crime, how can I determine their co-conspirators? Given a set of actors deemed interesting, we seek other actors who are similarly interesting. We use a collection of communications encoded as an attributed graph, where vertices represents actors and edges connect pairs of actors that communicate. Attached to each edge is the set of documents wherein that pair of actors communicate, providing content in context - the communication topic in the context of who communicates with whom. In these documents, our identified interesting actors communicate amongst each other and with other actors whose interestingness is unknown. Our objective is to nominate the most likely interesting vertex from all vertices with unknown interestingness. As an illustrative example, the Enron email corpus consists of communications between actors, some of which are allegedly committing fraud. Some of their fraudulent activity is captured in emails, along with many innocuous emails (both between the fraudsters and between the other employees of Enron); we are given the identities of a few fraudster vertices and asked to nominate other vertices in the graph as likely representing other actors committing fraud. Foundational theory and initial experimental results indicate that approaching this task with a joint model of content and context improves the performance (as measured by standard information retrieval measures) over either content or context alone.

研究动机与目标

• 解决在通信网络中仅已知部分有趣个体（如欺诈者）时，识别更多潜在有趣个体的问题。
• 探究结合内容（消息主题）与上下文（谁与谁通信）是否能提升顶点提名性能，优于单独使用任一模态。
• 评估内容与上下文联合模型在真实世界数据中的有效性，特别是Enron邮件语料库。
• 确定内容与上下文之间最优的融合权重，以最大化提名准确率。

提出的方法

• 将通信建模为带属性的图，顶点表示个体，边表示消息对，其中边被标记为话题分布（内容）与连通性模式（上下文）。
• 提出线性融合统计量 T^γ，通过融合权重 γ ∈ [0,1] 综合内容与上下文得分，其中 γ=0 表示仅上下文，γ=1 表示仅内容。
• 使用重要性采样生成多样化的图划分，以评估在内容与上下文差异程度（Δρ 与 ΔP）变化时的性能表现。
• 采用标准信息检索指标评估性能：平均精度（AP）与平均倒数排名（MRR）。
• 通过最大化模拟与真实数据中的性能，估计最优融合权重 γ*，识别融合优于单一模态方法的区域。
• 通过验证真实Enron数据中欺诈者与非欺诈者之间自然存在的内容与上下文差异，来验证模型假设。

实验结果

研究问题

• RQ1 在顶点提名中结合内容与上下文是否能带来优于单独使用任一模态的性能？
• RQ2 平衡内容与上下文以实现最大提名准确率的最优融合权重 γ 是多少？
• RQ3 在内容与上下文差异（Δρ, ΔP）的哪些区域，融合能提供一致的性能优势？
• RQ4 模型假设——即有趣个体之间在通信频率与话题分布上存在差异——是否在真实世界数据（如Enron语料库）中自然成立？

主要发现

• 最优融合权重 γ* 位于约 0.4 处，表明非平凡的内容与上下文融合相比单独使用任一模态，能提供更强的推断能力。
• 在模拟与真实数据实验中，融合统计量 T^γ* 均持续优于仅内容（γ=1）与仅上下文（γ=0）的方法。
• 融合与单一模态方法之间的性能差异在内容与上下文差异均适中的区域最为显著，表明两种模态之间存在协同效应。
• 图7显示，在超过90%的观测数据配置中，融合能提升性能（紫色区域），仅在极少数情况下造成损害（青色区域），表明其具有鲁棒性。
• Enron邮件语料库中自然存在模型假设的实例：欺诈者之间通信更频繁，且讨论不同话题，验证了模型在现实世界中的适用性。
• 平均精度（AP）与平均倒数排名（MRR）均在 γ ≈ 0.4 处达到峰值，证实最优融合并非出现在 γ=0 或 γ=1 的极端位置。