超越准确率：利用预测估计社交网络中的同质性
社会与信息网络
2020-01-31 v1 机器学习
摘要
在在线社交网络中，常利用节点类别的预测来估计同质化度量及其他关系属性。然而，在线社交网络数据常缺乏关于节点的基本人口统计信息。研究者必须依赖预测的节点属性来估计同质化度量，但这类度量的有效性鲜为人知。我们表明，网络中同质化的估计可视为一个二联体预测问题，且当二联体水平残差在网络中求和零时，同质化估计是无偏的。节点级预测模型，如利用姓名分类族群或性别，通常不具备该性质，并会为同质化估计引入较大偏差。偏差由沿二联体的误差自相关引起。重要的是，节点级分类性能并非同质化估计准确性的可靠指标。我们比较了在节点与二联体水平进行预测的估计策略，在不同设定下评估性能。我们提出一种新颖的“自我-他者”（ego-alter）建模方法，其优于标准节点与二联体分类策略。虽本文聚焦同质化，结果可推广至其他沿网络二联体聚合预测的关系度量。我们以研究在线网络同质化的研究设计建议作结。本文代码见 https://github.com/georgeberry/autocorr。
引用
@article{arxiv.2001.11171,
title = {Going beyond accuracy: estimating homophily in social networks using predictions},
author = {George Berry and Antonio Sirianni and Ingmar Weber and Jisun An and Michael Macy},
journal= {arXiv preprint arXiv:2001.11171},
year = {2020}
}
备注
19 pages, 4 figures, 2 tables