基于结构化矩阵分解的层次重叠信念估计
社会与信息网络
2022-09-21 v2 人工智能
摘要
关于社交媒体观点极化的许多工作集中于从媒体轨迹中对不同社区的立场（或正交信念）进行扁平分类。我们在两方面重要拓展该工作。首先，我们不仅检测社区间分歧点，也检测其共识点，即在存在重叠的情况下估计社区信念。其次，以层次信念估计替代扁平分类，其中社区可能呈层次划分。例如，两个对立政党可能在核心议题上分歧，但党内虽于基本原则一致，却在细节上产生分歧。我们将所得组合问题称为层次重叠信念估计问题。为求解该问题，本文发展了一类新的无监督非负矩阵分解（Non-negative Matrix Factorization, NMF）算法，称为信念结构化矩阵分解（Belief Structured Matrix Factorization, BSMF）。我们所提无监督算法同时捕捉潜在信念交集与差异及层次结构。我们讨论了算法性质，并在合成与真实数据集上评估。在合成数据集中，模型降低40%误差；在真实Twitter轨迹中，准确率提升约10%；模型在合理性检验中亦达到96.08%的自一致性。
引用
@article{arxiv.2002.05797,
title = {Hierarchical Overlapping Belief Estimation by Structured Matrix Factorization},
author = {Chaoqi Yang and Jinyang Li and Ruijie Wang and Shuochao Yao and Huajie Shao and Dongxin Liu and Shengzhong Liu and Tianshi Wang and Tarek F. Abdelzaher},
journal= {arXiv preprint arXiv:2002.05797},
year = {2022}
}
备注
accepted in ASONAM 2020