Link Prediction for Social Networks using Representation Learning and Heuristic-based Features

要約

ソーシャル ネットワークの規模と関連性は飛躍的に増大しており、広範な洞察を提供できるようになりました。
ソーシャル ネットワーク内の失われたリンクを効率的に予測することは、推奨事項の生成から影響分析に至るまで、さまざまな現代のビジネス アプリケーションに役立ちます。
同じソリューションに対して、いくつかのカテゴリのソリューションが存在します。
ここでは、ミッシング リンクの予測を可能にするソーシャル ネットワーク内のノードとエッジの表現を生成するためのさまざまな特徴抽出手法を検討します。
構造埋め込み、近傍ベースの埋め込み、グラフ ニューラル ネットワーク、グラフ ヒューリスティックに分類された 10 個の特徴抽出手法を使用し、その後アンサンブル分類器とカスタム ニューラル ネットワークでモデリングした結果を比較します。
さらに、ソーシャル ネットワーク データセット上のリンク予測タスクのパフォーマンスの向上を実証する、ヒューリスティック ベースの特徴と学習された表現を組み合わせることを提案します。
この方法を使用して多くのアプリケーションに対する正確な推奨事項を生成することは、今後の研究課題であり、非常に有望であると思われます。
すべての実験のコードは公開されています。

要約(オリジナル)

The exponential growth in scale and relevance of social networks enable them to provide expansive insights. Predicting missing links in social networks efficiently can help in various modern-day business applications ranging from generating recommendations to influence analysis. Several categories of solutions exist for the same. Here, we explore various feature extraction techniques to generate representations of nodes and edges in a social network that allow us to predict missing links. We compare the results of using ten feature extraction techniques categorized across Structural embeddings, Neighborhood-based embeddings, Graph Neural Networks, and Graph Heuristics, followed by modeling with ensemble classifiers and custom Neural Networks. Further, we propose combining heuristic-based features and learned representations that demonstrate improved performance for the link prediction task on social network datasets. Using this method to generate accurate recommendations for many applications is a matter of further study that appears very promising. The code for all the experiments has been made public.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google