社交网络上的关系画像：从相似性到亲密度的逆向平滑

在社交网络上，虽然节点承载着丰富的属性，但我们常常缺乏每条链接为何形成的“语义”——因此我们缺少了导航和组织复杂社交宇宙的“路标”。如何在没有标签的情况下识别关系语义？基于普遍存在的同质性原则，我们提出了基于属性的关系画像（ARP）这一新问题，旨在根据用户之间在相应属性（例如教育）上的相似性来刻画其潜在关系（例如校友）的亲密度，并作为输出，学习一组社交亲和力图，其中每条链接都以其承载该关系的概率加权。作为要求，ARP应当是系统且完备的，为每条链接刻画每种关系——我们的挑战在于有效地对同质性进行建模。我们通过观察到同质性的相似性-亲密度对偶性与基于图的半监督学习中著名的平滑性假设相一致——只是推理的方向相反——从而提出了一种新颖的逆向平滑原则。为了在有噪声的社交图上实现平滑性，我们进一步提出了一种新颖的整体亲密度建模方法，通过将亲密度从边扩展到路径来捕获“高阶”平滑性。在三个真实世界数据集上的大量实验证明了ARP的有效性。