无社会假设的有符号有向图解耦表示学习

有符号图是表示各领域信任关系或偏好的复杂系统。在此类图中学习节点表示对许多挖掘任务至关重要。尽管现实世界的有符号关系可能受多个潜在因素影响，现有多数方法常依赖社会理论并将关系简化为单一因素，从而过度简化了有符号关系建模。这限制了其表达能力及捕捉塑造这些关系的多样因素的能力。本文提出 DINES，一种在无社会假设下学习有符号有向图解耦节点表示的新方法。我们采用解耦框架，将每个嵌入分离为不同因素以捕捉多个潜在因素。我们还探索了仅关注符号与方向、不依赖社会理论的轻量图卷积。此外，我们提出一种通过考虑因素间相关性来有效分类边符号的解码器。为进一步增强解耦，我们将自监督因素判别器与编码器和解码器联合训练。在真实有符号有向图上的大量实验表明，DINES 能有效学习解耦节点表示，并在符号预测任务中显著优于对比方法。