輪読会資料

1. RaRE: Social Rank Regulated
Large-scale Network Embedding
Yupeng Gu, Yizhou Sun, Yanen Li and Yang Yang
WWW ‘18
鈴木杏理

2. 研究背景
• ネットワークエンベッディングの研究は様々
homophily assumption
繋がっているノード同士は似ている
• リンクがあると必ずノードが似てると言えるのか？
有名人をフォローする傾向(芸能人、研究者、政治家etc)
→似ているからフォローしたとは言えない
→従来の手法では類似度と有名度がごちゃ混ぜに
→’social rank’ & ‘proximity’

3. 研究背景
• Social rankとproximityは独立か？
有名な人へのリンク：social rank影響大きそう
有名でない人へのリンク：proximityの影響大きそう
→２つのノードの関係によって変わる
• Social Rank Regulated Network Embedding(RaRE)
rank factor + proximity-based factor
実世界の巨大なネットワーク(数百万ノード)にも拡張可能

4. RaRE : base model
G = (V, E) eij : ui → uj
latent proximity-based representation : zv
latent rank representation : rv
• proximityもsocial rankも差が重要
dz = ||zi – zj||2
dr = ri – rj

5. RaRE : conditional distributions
• drもdzも正規分布に従うと仮定
μh(dz) : あるdzにおけるdrの平均
Is(x) : x ∈ Sなら1、そうでなければ0
μ : スケール調整

6. RaRE : conditional distributions
h(dz)
• dzの値に関わらずdrの平均は0以上
• dz→増 dr→増 drの傾き→減

7. RaRE : conditional distributions
• no link の理由は色々
→どちらも平均0とする

8. RaRE : prior distributions
• social rankはベキ乗則に従う？
p(z) =

9. RaRE : f()
λR:rank factorの影響度 λZ:proximityの影響度
λ0:ネットワークのスパース性(影響低い)

10. RaRE : f()
O(E・
K)
O(N・K)

11. 実験 : データセット
• データセット
①スナチャ(フレンド)
②ウェイボ(RT)
2011/11/01の全RT(5RT以上)
③コンピュータサイエンスにおける引用ネットワーク
2007-2016の10年分
分野はAI,NET,SE,CT,CV,DB,PL,DM
④wikipediaのハイパーリンク
sports, politics, science, Christian, geography, musician
⑤wikipediaのクリックストリーム
2017年1月
どのページからどのページへ飛んだか

12. 実験 : データセット

13. 実験 : 分類①
• MF(matrix factorization)
• GF(graph factorization)
• LINE(large scale network embedding)
• Node2vec
比較の公平性のためzのみ用いる
CBM(Conditional Bernoulli Mixtures)で分類

14. 実験 : 分類①
• ジャッカード係数、ハミング損失、F値を測る

15. 実験 : 分類①

16. 実験 : リンク予測
• 評価指標 : AUC
• スナチャとウェイボ、wikiハイパーリンクは精度良い
→social rankの影響大きい？

17. 実験 : 分類②
• スナチャの性別推定
→今まではGradient Boost Decision Tree
精度93.5%
名前、国、今までのスナチャの使い方
• エンベッディング結果を加えると・・・

18. 実験 : 可視化

19. 実験 : 可視化

20. まとめ
• RaRE(Social Rank Regulated Network emvedding)
・proximity-based representation
・social rank representation
→分類やリンク予測で大きな効果
→リンクは近さだけでは説明できない