POLE：面向符号网络的极化嵌入方法
社会与信息网络
2022-02-23 v3 机器学习
摘要
从 2016 年美国总统大选到 2021 年国会山骚乱，再到与 COVID-19 相关的错误信息传播，许多人将当今社会严重分裂归咎于社交媒体。符号网络机器学习的最新进展有望指导微小干预以减少社交媒体中的极化。然而，现有模型在预测用户间冲突（或负链接）方面尤其低效。这是由于链接符号与网络结构高度相关，极化社区间的负链接过于稀疏，即便最先进的方法也无法预测。为解决此问题，我们首先基于符号随机游走设计了符号图的与划分无关的极化度量，并表明许多真实图高度极化。随后，我们提出 POLE（POLarized Embedding for signed networks，面向符号网络的极化嵌入），一种针对极化图的符号嵌入方法，通过符号自协方差联合捕捉拓扑与符号相似性。通过大量实验，我们表明 POLE 在符号链接预测上显著优于最先进方法，尤其对于负链接，提升达一个数量级。
引用
@article{arxiv.2110.09899,
title = {POLE: Polarized Embedding for Signed Networks},
author = {Zexi Huang and Arlei Silva and Ambuj Singh},
journal= {arXiv preprint arXiv:2110.09899},
year = {2022}
}
备注
Accepted to WSDM 2022