符号网络中的预测与聚类：从局部到全局的视角
社会与信息网络
2013-03-06 v2 机器学习
摘要
社交网络的研究是一个蓬勃发展的研究领域。然而，现有的大多数工作处理的网络仅编码关系是否存在。相比之下，符号网络中的关系可以是正面的（“喜欢”、“信任”）或负面的（“不喜欢”、“不信任”）。社交平衡理论表明，符号网络倾向于符合某些局部模式，进而引发特定的全局特征。在本文中，我们利用社交平衡理论的局部和全局两个方面来解决符号网络分析中的两个基本问题：符号预测和聚类。受社交平衡局部模式的启发，我们首先提出了两类符号预测方法：社交不平衡度量（MOIs）和使用高阶环（HOCs）的监督学习。这些方法基于三角形和 \ell-环（对于相对较小的 \ell 值）预测边的符号。有趣的是，通过检查社交不平衡度量，我们证明了在无符号链路预测中被广泛使用的经典 Katz 度量，在应用于符号网络时实际上具有平衡理论解释。此外，受平衡网络全局结构的启发，我们提出了一种有效的低秩建模方法，用于符号预测和聚类。对于低秩建模方法，我们通过凸松弛提供了理论性能保证，使用基于矩阵分解的算法将其扩展到大规模问题，并提供了广泛的实验验证，包括与局部方法的比较。我们的实验结果表明，通过采用更全局的平衡结构视角，我们在符号网络上的预测和聚类任务中获得了显著的性能和计算收益。因此，我们的工作突出了平衡理论全局方面对于符号网络分析的有效性。
引用
@article{arxiv.1302.5145,
title = {Prediction and Clustering in Signed Networks: A Local to Global Perspective},
author = {Kai-Yang Chiang and Cho-Jui Hsieh and Nagarajan Natarajan and Ambuj Tewari and Inderjit S. Dhillon},
journal= {arXiv preprint arXiv:1302.5145},
year = {2013}
}