TruSiS: Trust in Cross Social Networks Lora Aroyo Pasquale De Meo

“

Social Networking

•  Explosive  growth  in  number  of  sites  and  users  – Facebook  350  mil  users  (bigger  than  US),  the  third  biggest  country  (Feb  2010)  

– Used  for  adverEsing,  public  life,  etc  

•  Social  Networking  APIs  to  gather  data  on  users,  their  relaEonships  and  acEviEes  – Leskovec  &  Horowitz  (WWW‘08)  analyzed  240  mil  MSN  contacts  

– Kwan  et  al.  (WWW‘10)  analyzed  the  whole  TwiVer  

“

Social Network Analysis

•  Study  collecEve  human  behaviour  on  a  large  scale,  e.g.    – How  node  degree  is  distributed?  – Do  small  world  phenomenon  emerge?  

– Are  nodes  clustered  into  groups?  – What  are  the  different  user  informaEon  sharing  tasks?  

– How  do  they  connect  with  different  communiEes?  

Social Internetworking

•  Users  affiliate  to  mulEple  social  spaces  – e.g.  UK  adults  have  ~1.6  online  profiles,  and  39%  of  those  with  one  profile  have  at  least  two  other  profiles  

•  Pla`orm(s)  for  data  portability  among  social  networks  

Social Internetworking System

•  Provide  mechanisms  to:  – help  users  find  reliable  users    – disclose  malicious  users/spammers  

– sEmulate  the  level  of  user  parEcipaEon  

– deal  with  trust  in  linked  data  – deal  with  different  contexts  and  policies  for  accessing,  publishing  and  re-­‐distribuEng  data    

What do we aim for …

• model  to  represent  Social  Internetworking  components  &  their  rela4onships  

•  understand  Social  Internetworking  structural  proper4es  and  see  how  it  differs  from  tradiEonal  social  networks  

• model  to  compute                                                                                                                trust  &  reputa4on  based  on                                                                        linked  data  

Some requirements …

•  Trust  -­‐  4ed  to  user’s  performance,  i.e.,  beneficial  contribuEons  to  other  users  

•  Users  are  involved  in  a  range  of  ac4vi4es,  e.g.,  tagging,  posEng  comments,  raEng  

•  A  range  of  heterogeneous  en44es,  e.g.  users,  resources,  comments,  raEngs  and  their  interacEons  (vs.  single  role  nodes  in  graphs)  

•  Edges  need  to  support  n-­‐ary  rela4onships    • Mul4-­‐dimensional  network      

SIS Pilot 1

•  Social  Web  Crawler  – Google  Social  Graph  API  – XFN  and  FOAF  markups;  me  edges,  i.e.,  accounts  located  in  different  social  networks  referring  to  the  same  individual  

•  BFS  of  Social  Web  – 1  305  112  user  accounts  – 36  278  838  connecEons  between  user  accounts  

Flickr

Twitter LiveJournal Others

Goal of the Pilot

The  pilot  has  three  main  goals:  

•  relaEonship  between  structural  properEes  of  a  SIS  and  human  behaviour  

•  how  can  we  take  advantage  of  global  knowledge  harnessed  in  a  SIS  

•  how  these  results  contribute  to  the  TruSIS  trust  definiEon  

Goal of the Pilot

Goal  1:  We  found  that  some  structural  properEes  of  a  SIS  can  be  explained  in  terms  of  user  behaviours:  

Example:  node  degree  distribuEon  shows  a  power  law  indicaEng  that  few  users  are  quite  acEve  (e.g.,  they  rate  many  objects,  post  many  comments,  and  so  on)  while  the  vast  majority  is  almost  inacEve.  

Goal of the Pilot Goal  2:  We  found  that  knowledge  

in  a  SIS  is  useful  to  solve  cold  start  problems.  

For  instance  assume  a  user  u  joins  a  social  network  like  Flickr  and  he  has  no  contacts  

Idea:  Find  users  of  SIS  who  are  close  to  “u”  and  are  affiliated  to  Flickr  (bootstrap  user).  

Suggest  them  to  u.  

Problem:  When  two  users  are  close  in  a  SIS?  It  turns  to  a  known  problem  “when  two  nodes  in  a  graph  are  close”?  

Goal of the Pilot

•  Goal  3:  ConnecEvity  properEes  are  at  the  basis  of  many  algorithms  to  comput  etrust  in  social  networks  (Golbeck  2006,  Ziegler  2005,  Leskovec,  HuVenlocker  &  Kleinberg,  2010).  

• We  plan  to  use  closeness  to  propagate  trust  values.  

Pilot 1: Contact Graph Analysis

•  Average  Clustering  Coefficient  (ACC)  to  assess  the  tendency  of  nodes  to  form  cliques  

•  High  compared  to  other  graphs    – reflects  the  high  chance  that  two  users  are  “friends”  as  there  is  a  third  person  who  is  also  their  “friend”  

Pilot 1: Contact Graph Analysis

•  edge  distribuEon  in  CG  – A  power  law  emerged  exponent  about  1.65  

•  distribuEon  of  me  edges  – exponent  about  3.39  

•  Why?    – mulEple  idenEEes  in  mulEple  social  spaces  but  no  connecEons  between  them  

Pilot 1: Contact Graph Analysis

•  High  Network  Modularity  – nodes  appear  clustered  in  groups  

•  Can  we  export  knowledge  of  the  user  from  one  network  to  another  (in  terms  of  trust  &  reputaEon)?  

1

4

3

2

5 6

7

9 10

8 11

12

Calculating Closeness

•  aggregaEng  informaEon  from  different  social  networks  to  determine  how  ‘close’  are  users  

•  degree  of  closeness  of  two  users  -­‐  Katz  coefficient  (Katz,  1953)  –  #  of  users  is  big  

•  algorithm  where  SIS  is  parEEoned  in  small  communiEes  plus  with  Sherman  Morrison    

•  Experimental  trials  show  that:  • We  achieve  significant  Eme  savings  •  The  approximaEon  error  is  quite  small    

Our Definition of trust in SIS (1)

In other words …

•  Trust  is  defined  in  the  context  of:  – Reputa4on  (of  user)  in  a  social  network  – Impact  (of  user)  in  a  social  network    

– Authority  (of  user  or  organizaEons)  

•  Trust  as    a  binary  rela4onship  between  users  (e.g.  A  trusts  B)  based  on  user  acEviEes:  – frequency,  quality  and  type  of  users  contribuEons  – etc.  

For example: Reputation

•  users  post  resources  &  rate  resources  posted  by  others  

•  To  compute  reputaEon  we  assume  that:  – User-­‐high-­‐reputaEon  if  the  user  authors  high  quality  resources  

– Resource-­‐high-­‐quality  if  it  gets  a  high  average  raEng  &  posted  by  users  with  high  reputaEon  

• mutual  reinforcement  principle  

Trust in SIS

•  n  =  #  of  users            m  =  #  of  resources  authored    

•  r(i)  =  reputaEon  of  useri                        •  q(j)  =  quality  of  resourcej    •  e(j)  =  average  raEng  of  resourcej  •  Aij  =  1  if  useri  posted  a  resourcej          Aij  =  0  otherwise  •  r  =  Aq        and          q  =  AT  r  +  e                  r  =  (I  –  AAT)-­‐1Ae  

•  compute  dominant  eigenvector  of  a  symmetric  matrix    

•  easy  to  compute  even  if  A  gets  large  (AT  =  transpose  of  A  and  I  =  nxn  idenEty  matrix)    

What do we try to expore …

•  The  role  of  SW  in  the  definiEon,  idenEficaEon  and  reasoning  with  trust,  reputaEon,  impact  and  authority?  (e.g.,  Linked  Open  Data)  

•  The  role  of  trust,  reputaEon,  impact  and  authority  in  event  models,  e.g.  SEM  and  user  models,  e.g.  FOAF  

Among others, we still need to …

•  Gather  a  larger  amount  of  data  to  analyze  further  the  structural  properEes  of  SIS  

•  Test  the  effecEveness  of  the  approach  for  trust,  reputaEon,  impact  and  authority  compuEng    

•  Test  with  real  users  in  the  social  space  of  Agora  (Social  Event-­‐based  History  browsing)  and  in  PrestoPrime  (Social  SemanEc  Tagging)    

•  Ontology-­‐based  model  of  trust  and  reputaEon  in  different  domains  (with  LOD)  

The team

•  DIMET  –  University  of  Reggio  Calabria,  Italy  – Pasquale  De  Meo  

– Domenico  Ursino  

•  External  collaborator  – University  of  Torino  – Federica  Cena