性别社会结构中的偏差与方差

个体倾向于与相似自己的人成为朋友，这一现象通常被称为同质性 (homophily)，是社交网络中一个显著且被广泛研究的特征。许多机器学习方法利用同质性，基于个体的朋友属性来预测该个体的属性。同时，最近的研究表明，性别同质性在实践中可能很弱甚至不存在，使得性别预测尤为具有挑战性。在这项工作中，我们确定了另一个用于预测性别的有效结构特征，即由那些对特定性别有极端偏好（无论其自身性别如何）的个体所引入的性别偏好过离散。我们将这一属性称为“单一之爱”(monophily)，并根据偏好偏差和偏好方差共同刻画了社交网络中同质性和单一性的统计结构。对于预测任务，我们发现这种极端性别偏好模式引入了“朋友的朋友”相关性，即个体与其朋友的朋友相似，而不必与其朋友相似。我们分析了美国大学的在线友谊网络和美国高中的线下友谊网络群体，观察到基于朋友的预测方法（“你所交往的人”）与基于朋友的朋友的预测方法（“与你交往的人”）在成功率上存在根本差异。这些发现为一般属性预测特别是性别预测提供了另一种视角，使原本就困难的属性隐私保护任务变得更加复杂。