基于多视图社交图的自我中心网络中的社交圈学习

在社交网络分析中，自我中心网络中的自动社交圈检测正成为一项基础且重要的任务，具有许多潜在应用，如用户隐私保护或兴趣群组推荐。到目前为止，大多数研究集中在解决两个问题上，即如何检测重叠的圈子，以及如何结合网络结构和网络节点属性来检测圈子。本文提出了一个正交的研究问题，即如何基于（通常）由多个视图描述的网络结构来检测圈子？我们的研究从 Twitter 上抓取自我中心网络开始，并采用经典技术通过六个视图（包括用户关系、用户互动和用户内容）来建模其结构。然后，我们应用标准的以及我们修改过的多视图谱聚类技术来检测这些自我中心网络中的社交圈。基于广泛的自动和手动实验评估，我们得出了两个主要发现：首先，多视图聚类技术优于普通的单视图聚类技术，后者仅使用一个视图或朴素地整合所有视图进行检测；其次，标准多视图聚类技术的鲁棒性不如我们修改过的技术，该技术基于稀疏网络结构（潜在）不完整的假设，选择性地跨视图传递信息。特别是，第二个发现使我们相信，将标准聚类直接应用于潜在不完整的网络可能会产生有偏差的结果。我们在理论上对这个问题进行了初步探讨，通过结合谱聚类和矩阵扰动理论推导出了这种偏差的上界，并讨论了它可能如何受到几个网络特征的影响。