结合观点动力学的神经消息传递对社交网络的统一视角
社会与信息网络
2023-10-04 v2 人工智能
定量方法
摘要
社交网络代表了一种常见的互联数据形式，在基于深度学习的推断领域常被视为图。这些社群天然形成动态系统，通过社交行动者沿其社会纽带进行的持续内部沟通与观点交流而达到稳定。相比之下，深度学习中的神经消息传递为理解图中相连节点间的信息传播与聚合提供了清晰直观的数学框架。节点表征通过同时考虑相邻节点的连接性与状态而动态更新。本研究调和了社会计量学与神经消息传递的概念，以分析和推断动态系统的行为。受社会学中观点动力学的启发，我们提出 ODNet，一种融合有界置信的新消息传递方案，以精炼局部节点用于消息传播的影响权重。我们调整 ODNet 的有界置信相似度截断值与影响权重，并定义符合社交网络图特征的观点交换规则。我们表明 ODNet 在各类图类型上提升了预测性能，并缓解了过平滑问题。此外，我们的方法在图表示学习中超越常规基线，并证明了其在分析真实世界代谢基因共现网络中的实际意义。值得注意的是，我们的方法仅利用系统中实体间交互频率的知识即可简化复杂社交网络图。它准确识别内部社群及基因在不同代谢通路中的角色，包括意见领袖、桥梁传播者与孤立者。
引用
@article{arxiv.2310.01272,
title = {A Unified View on Neural Message Passing with Opinion Dynamics for Social Networks},
author = {Outongyi Lv and Bingxin Zhou and Jing Wang and Xiang Xiao and Weishu Zhao and Lirong Zheng},
journal= {arXiv preprint arXiv:2310.01272},
year = {2023}
}