基于二次相关的在线社交网络态度推断

在大多数情况下，在线社交网络的结构不能仅由其成员之间的链接来描述。我们研究的在线社交网络中，成员之间可能存在某种态度（正面或负面），因此网络由正面和负面关系的混合组成。我们的目标是根据网络当前快照中提供的证据来预测给定关系的符号。更具体地说，利用机器学习技术，我们开发了一个模型，该模型在经过特定网络训练后，能够预测未知或隐藏链接的符号。该模型利用同伴之间的关系和影响作为猜测的证据，然而，所使用的同伴集合并非预定义，而是在训练过程中学习得到的。我们利用同伴成员之间的二次相关来训练预测器。该模型在 Epinions、Slashdot 和 Wikipedia 等流行在线数据集上进行了测试，在许多情况下显示出近乎完美的预测准确率。此外，随着底层社交网络的演变，我们的模型还可以高效地进行更新。