リンク予測に基づく共同研究者推薦システムの試作

/ 27
平成30年度パーティクルフィルタ研究会
2019.03.19
リンク予測に基づく

共同研究者推薦システムの試作
中村幹太 †，岡本一志 ††

† 電気通信大学情報理工学部総合情報学科

†† 電気通信大学大学院情報理工学研究科情報学専攻
1

/ 27
2019.03.19 平成30年度パーティクルフィルタ研究会
はじめに
企業を取り巻く環境変化：新技術の重要性 [文部科学省，2016]

• 新規参入による国際的な競争激化

• 製品，サービスのライフサイクルの短期化

• 社内の技術や経営資源の不足

外部機関との共同研究を有効活用

• 目的と合致した研究者の選択

• 研究者発見のためのシステム

• 研究者推薦手法
2
文部科学省：産学官連携による共同研究強化のためのガイドライン＜本文＞，

http://www.mext.go.jp/b_menu/houdou/28/12/1380114.htm，2016．

/ 27
researchmap

• 氏名，所属，キーワードによる研究者の検索

• 関連研究者の提示

CiNii Articles

• 著者名，タイトルなどによる学術論文の検索

• 研究者に関する名寄せが十分でない [桂井+，2018]

科学研究費助成事業データベース

• 氏名，キーワードなどによる研究課題の検索

• 研究課題の取得にKAKEN APIを利用可能
3
研究者発見のためのシステム
桂井麻里衣，大向一輝：複数の異なる学術情報
データベースを対象とした著者同定支援システム
に関する検討，DEIM2018， pp6-9，2018．

/ 27
2019.03.19 平成30年度パーティクルフィルタ研究会 4
想定される推薦システムの利用場面
企業
大学

URA
推薦

システム
研究計画などクエリ
推薦研究者
推薦研究者
推薦研究者
クエリ
• 企業が直接利用する場合や，URAの補助としての利用

• 推薦スコアに基づくランキングによって提示

/ 27
主な研究者推薦手法
ネットワークベース

• 研究者ペアの周辺リンク構造から算出される指標より推薦

• 共通する研究者の数，割合等

• 同一分野内での推薦に有効

• 教師あり学習によるリンク予測

類似度ベース

• 研究者のプロファイルの類似度により推薦

• 異分野間での研究者推薦に有効
5
？
？

/ 27
研究者ネットワークとリンク予測
無向グラフモデル：研究者のエフォートが等しい

有向グラフモデル：研究者のエフォートに差がある

• 共著者ネットワーク：第一著者→第n著者

• 科研費ネットワーク：研究代表者→研究分担者
6
：研究者(ノード)

：既知のエッジ

：未知のエッジ
無向グラフモデル有向グラフモデル

/ 27
研究目的・提案手法
リンク予測に基づく共同研究者推薦システムの試作
7
鹿島久嗣：ネットワーク構造予測，人工知能学会誌，

vol.22，no.3，pp.344-351，2007.
無向グラフモデル

エッジベクトル
有向グラフモデル

エッジベクトル
i
<latexit sha1_base64="uxSxj8JaK9/8i56c2Gg8hXw5MC8=">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</latexit>
j
<latexit sha1_base64="D3OmgutMpcRUVq3vuVl8Q345PsM=">AAACZHichVHLSsNAFD2Nr1pf1SIIghRLxVW5EUFxJbpxaa19QC0liVONpklI0oIWf0C3igtXCiLiZ7jxB1z0BwRxWcGNC2/TgKiod5iZM2fuuXNmRrUN3fWImiGpq7unty/cHxkYHBoeiY6O5Vyr5mgiq1mG5RRUxRWGboqsp3uGKNiOUKqqIfLq/mp7P18Xjqtb5qZ3YItSVdkx9YquKR5T6b1yNEEp8iP+E8gBSCCIdSt6gy1sw4KGGqoQMOExNqDA5VaEDILNXAkN5hxGur8vcIQIa2ucJThDYXafxx1eFQPW5HW7puurNT7F4O6wMo4kPdItteiB7uiZ3n+t1fBrtL0c8Kx2tMIujxxPZN7+VVV59rD7qfrTs4cKFn2vOnu3faZ9C62jrx+etzJLG8nGDF3RC/u/pCbd8w3M+qt2nRYbF4jwB8jfn/snyM2lZErJ6fnE8krwFWFMYhqz/N4LWMYa1pHlcwVOcIqz0JM0KMWk8U6qFAo0MXwJaeoD2kyJ6g==</latexit>
研究代表者研究分担者
y 2 {0, 1}
<latexit sha1_base64="DfOOSE2AzLGcz9VuxPXiSKGFPuM=">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</latexit>
xi ⌦ xj
<latexit sha1_base64="dggpeQaNHKb217orJHvfM0OksDc=">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</latexit>
(xi ⌦ xj + xj ⌦ xi)/2
<latexit sha1_base64="ccDmyZUntyvQB2fdy8zD7S0E740=">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</latexit>
i
j
y 2 {0, 1}
ノードベクトル：xi, xj
<latexit sha1_base64="vT9nMpX/1N271o5jJ/gHZ696NJE=">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</latexit>
xi ⌦ xj 6= xj ⌦ xi
<latexit sha1_base64="itJiWiXpRHxDMJQyP1CsfDedu6A=">AAACtXichVHPSxtBFP6ybdWmrVnrpdBLMCg9hbdSiHgSvfQYTaNCEsLuZqJjdne2u5NgDP4D/gM9eFIQEe/9B3rpP9CD0GsLpccIvfTQl82CqP3xlp33zTfve/PNjBN6MtZEVxnjwcNHE5NTj7NPnj6bzpkzzzdj1Y1cUXWVp6Jtx46FJwNR1VJ7YjuMhO07nthyOmuj9a2eiGKpgre6H4qGb+8Esi1dWzPVNMt1R3mtuO9zyu83ZV1p6Ys4f5veqwfi3V3qj5WyaRaoSEnk7wMrBQWkUVbmOepoQcFFFz4EAmjGHmzE/NVggRAy18CAuYiRTNYFDpFlbZerBFfYzHZ43OFZLWUDno96xona5V08/iNW5jFPn+mChvSJLuk7/fprr0HSY+Slz9kZa0XYzB29qPz8r8rnrLF7o/qnZ402lhKvkr2HCTM6hTvW9w7eDyvLG/ODBTqlH+z/hK7oI58g6F27Z+ti4xhZfgDr7nXfB5uLRYuK1vrrwspq+hRTeIk5vOL7LmEFb1BGlff9gC/4im9GyWgYLaM9LjUyqWYWt8JQvwEFfqtQ</latexit>
[鹿島，2007]

/ 27
推薦システムの概要（学習）
8
BoW: Bag of Words

TF-IDF: Term Frequency - Inverse Document Frequency

LDA: Latent Dirichlet Allocation
次元圧縮

（LDA）
研究者

プロファイル

集合
ノードベクトルの算出

（BoW & TF-IDF）
次元圧縮

（LDA）
研究者ペアの作成

アンダーサンプリング

エッジベクトルの算出
識別器
ノードベクトルの算出

（BoW & TF-IDF）
共同研究関係のエッジ数
全体のエッジ数
< 0.00001
共同研究関係のエッジの数と同じ数だけ

共同研究関係でないエッジをサンプリング
・ロジスティック回帰

・SVM

・ランダムフォレスト
✓idf
<latexit sha1_base64="NyjjYdzNW2p7t0HRQ68/UYKnZio=">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</latexit>
✓LDA
<latexit sha1_base64="Ot94kujDrYW+NsMSr/Dm2yacrp8=">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</latexit>
✓C
<latexit sha1_base64="LOjLBTZK2Sokz3JI4V2DackGPDI=">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</latexit>

/ 27
推薦システムの概要（予測）
9
ノードベクトルの
算出（BoW &

TF-IDF）
次元圧縮

（LDA）
研究者

プロファイル
クエリ
エッジベクトルの

算出
識別器
予測

結果
✓idf
✓LDA
✓C
・研究キーワード

・研究概要

・研究者プロファイル

etc
カメラ自動運転深層学習 …

OR

車載カメラから取得した映像に
よる …
クエリの例：キーワード or 概要

/ 27
科学研究費助成事業データベース
10
データベースの特性
掲載年度 1964年 - 2018年度
研究課題数 869,081件
研究者数 251,333人
利点
・研究者のこれまでの研究課題を取得可能

・研究者を一意に特定することが可能

・代表者/分担者の区別が明確

・KAKEN APIによってデータを取得可能
2019年3月時点

/ 27
データの収集とプロファイルの作成
11
クローリング

(KAKEN API)
形態素解析

(MeCab)
研究者

プロファイル
研究課題
研究課題データ

・2005-2017年度開始

・タイトル，キーワード，概要

・研究代表者，研究分担者

・研究者番号
研究者プロファイル

・[研究者番号].txt

・普通/固有/サ変名詞

・分かち書きで記述
地形データ沖地震

北部震源対象地磁気地
下水中震源以深ヘリウム

地殻流体マントル起源

流体震源筆者地殻均質
構造概念モデル構造均
質弾性モデル数値地
例：80421684.txt

/ 27
実験1：識別器ごとの性能評価
ロジスティック回帰・SVM・ランダムフォレストの性能比較

※検証・テストデータの代表者は学習・開発データに含まれず，

分担者のプロファイルは学習・開発データのものを使用

• ハイパーパラメータの検証結果

• LDA圧縮次元数：{25, 50, 75, 100, 125} => 50

• SVMの誤分類に対するペナルティ：{0.01, 0.1, 1, 10} => 0.1

• ランダムフォレストの木の数・最大深さ：

• {10, 100, 1000}×{100, 1000, 10000, None} => (10, 10000)
12
研究開始年度 2005 2012 2013 2014 2015 2017
ハイパーパラメータ

の検証
学習データ

342,286
検証データ

9,738
システムの評価
開発データ

425,010
テストデータ

10,172

/ 27
リンク予測性能
13
• ランダムフォレストよりロジスティック回帰，SVMの精度が高い

• ロジスティック回帰 vs SVM

• 確率を出力するロジスティック回帰がシステムに適している
ロジスティック回帰 SVM ランダムフォレスト
Accuracy 0.780 0.780 0.761
Precision 0.859 0.859 0.850
Recall 0.671 0.669 0.635
Speci
fi
city 0.890 0.890 0.888
ロジスティック回帰 SVM ランダムフォレスト
学習時間(s) 383 48 68
予測時間(s/エッジ) 15.5×10-6 14.8×10-6 15.0×10-6

/ 27
リンク予測の例 True - Positive
14
所属・氏名
研究分野
生涯発達看護学

衛生学
生涯発達看護学

疫学・予防医学他1分野
プロファイル

頻出単語
医療(10)，ケア(8)，新生児(5)，

保険(5)，費用(4)，体制(4)，

情報(3)，女性(3)，助産(3)
父親(9)，パートナー(5)，

妊産婦(4)，男性(3)，無作為(3)，

母子(3)，効果(3)，割合(3)
LRスコア 0.989
SVMスコア 1.0
RFスコア 0.9
実際のリンク 1
研究課題名：

研究期間(年度)：2015/04/01 - 2018/03/31

/ 27
リンク予測の例 True - Positive
15
所属・氏名
ノードベクトル
コサイン類似度 0.999
研究課題名：

研究期間(年度)：2015/04/01 - 2018/03/31

/ 27
所属・氏名
研究分野
循環器内科学

神経内科学他1分野
教育学
プロファイル

頻出単語
療法(8)，頭蓋(7)，動脈(6)，

血栓(3)，血小板(3)，臨床(3)，

脳出血(3)，脳(3)，症例(3)
市民(5)，地域(3)，学校(2)，

制度(2)
LRスコア 0.00531
SVMスコア 0.0
RFスコア 0.0
リンク予測の例 True - Negative
研究課題名：[実績なし]

研究期間(年度)：[実績なし]

/ 27
リンク予測の例 True - Negative

所属・氏名

/ 27
所属・氏名
研究分野
文学，言語学およびその関連分野

外国語教育
環境生理学

環境影響評価他5分野
プロファイル

頻出単語
英語(9)，視聴覚(3)，教材(3)，

目的(2)，日本語(2)，場面(2)，

傷病(2)
蚊帳(11)，マラリア(8)，世帯(4)，

穴(2)，地区(2)，人口(2)，

および(2)
LRスコア 0.00959
SVMスコア 0.0
RFスコア 0.1
リンク予測の例 False - Negative
研究課題名：

研究期間(年度)：2017/06/30 - 2019/03/31

/ 27
リンク予測の例 False - Negative
研究課題名：

研究期間(年度)：2017/06/30 - 2019/03/31
所属・氏名

/ 27
所属・氏名
研究分野
自然災害科学・防災学

自然災害学
血液内科学
プロファイル

頻出単語
地殻(14)，流体(13)，地震(13)，

構造(12)，速度(10)，震源(8)，

時刻(7)，読み取り(6)，モデル(6)
wtx(4)，遺伝子(3)，突然変異(2)，

癌(2)，株(2)
LRスコア 0.997
SVMスコア 1.0
RFスコア 1.0
リンク予測の例 False - Positive


/ 27
リンク予測の例 False - Positive

所属・氏名

/ 27
実験2：有向グラフモデル vs 無向グラフモデル
22
有向グラフモデル

(DIR)
無向グラフモデル

(UN-DIR)
Accuracy 0.780 0.777
Precision 0.859 0.858
Recall 0.670 0.665
Speci
fi
city 0.890 0.890
• 有向グラフモデルの精度が無向グラフモデルより0.001-0.005大きい

• 無向グラフは有向グラフの半分のエッジ数のため、計算コストが小さい

• 精度以外の観点からも評価を検討する必要

/ 27
DIR・UN-DIRのリンク予測例1
23
所属・氏名
研究分野
自然災害科学・防災学

自然災害学
精神神経科学

臨床心理学
プロファイル

頻出単語
障害(21), 自我(20), 尺度(10),

データ(10), 臨床(8), 項目(6), 脳(6),

患者(5), 健常(5), 症状(4)
脳(15), 嗅覚(13), 精神病(9), 画像(7),

構造(7), 状態(5), 成果(5), 形態(5),

電位(4), 陰性(4)
DIRスコア 0.506
UN-DIRスコア 0.427
研究課題名：

研究期間(年度)：2016/04/01 - 2020/03/31

/ 27
24
研究課題名：

研究期間(年度)：2016/04/01 - 2020/03/31
所属・氏名

/ 27
25
所属・氏名
研究分野
経済政策

応用経済学他2分野
教育社会学
プロファイル

頻出単語
企業(32), モデル(12), 費用(11),

データ(9), 国際(8), 資産(7), 市場(7),

海外(6), 人口(6), 関数(5)
イノベーション(4), 現職(2), 大学(2),

プロジェクト(2)
DIRスコア 0.502
UN-DIRスコア 0.499


/ 27
26

所属・氏名

/ 27
おわりに
研究目的

• リンク予測に基づく共同研究者推薦システムの試作

実験結果

• 識別器としてはロジスティック回帰が望ましい

• 有向グラフモデルが無向グラフモデルよりも
 
AccuracyやRecallが若干優れている

今後の展望

• 予測スコアをエッジの重みとしてネットワーク解析手法に適用

• システムの公開，予測結果の評価取得
27

リンク予測に基づく共同研究者推薦システムの試作

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to リンク予測に基づく共同研究者推薦システムの試作

Similar to リンク予測に基づく共同研究者推薦システムの試作 (20)

More from Okamoto Laboratory, The University of Electro-Communications

More from Okamoto Laboratory, The University of Electro-Communications (18)

リンク予測に基づく共同研究者推薦システムの試作