基于有符号信息最大化双曲图的可解释有符号链接预测
社会与信息网络
2021-06-23 v2 人工智能
摘要
社交网络中的有符号链接预测旨在根据观测到的用户（即节点）间已有正负交互，揭示其潜在关系（即链接）。以往多数研究致力于利用图神经网络（GNN）学习节点嵌入，通过沿边消息传递来保持有符号网络拓扑，以促进下游链接预测任务。然而，现有基于图的方法难以对以下三个问题提供人类可理解的解释：（1）聚合哪些邻居，（2）沿哪条路径传播，以及（3）学习过程中遵循何种社会理论。为回答上述问题，本文研究如何将平衡与地位社会规则与信息论相协调，并发展了一个统一框架，称为有符号信息最大化双曲图（SIHG）。通过最大化边极性与节点嵌入之间的互信息，可识别支持边符号推断最具代表性的邻居节点。不同于现有仅能在子空间中聚合朋友特征的GNN，所提SIHG引入了有符号注意力模块，其还能将敌对用户彼此推远以保留对抗几何结构。所学边注意力图的极性反过来提供了每次聚合中所用社会理论的解释。为建模高阶用户关系与复杂层次结构，节点嵌入被投影并在更低失真的双曲空间中度量。在四个有符号网络基准上的大量实验表明，所提SIHG框架在有符号链接预测上显著优于现有最优方法。
引用
@article{arxiv.2011.12517,
title = {Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph},
author = {Yadan Luo and Zi Huang and Hongxu Chen and Yang Yang and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2011.12517},
year = {2021}
}