在个体层面建模社交网络与观点的个性化动态

网络动态一直是学术界值得探索的有意义话题。以往的网路模型包含两部分：（1）依据用户属性生成结构；（2）依据网络结构改变属性。然而，这些模型中的属性无法被解释为流行社会理论或经验事实中的概念。并且，它们通常以统一方式对待每个人。而这种假设颇具误导性，从而显著限制了其性能。为克服这些缺陷，我们设计了一个社交网络与观点的个性化演化模型（PENO），其中公民的意识形态由可变观点揭示，并为每个实体考虑四维人格——领导力、开放性、宜人性和神经质。观点通过社会纽带传播，纽带由观点亲和性生成，人格在整个演化过程中与观点和纽带协同作用。据我们所知，PENO是首次尝试在网络动态中引入人格影响，并在模拟中通过合理可视化验证社会科学。我们还给出了其概率图并构思了迭代学习算法。实验表明，在两项典型预测任务——立法法案的国会投票预测和某书评网站上的友谊预测上，PENO优于若干最先进基线。最后，我们讨论了其在日常场景中进行多任务学习和迁移学习的可扩展性。