面向复杂社交网络节点分类的半监督张量分解
社会与信息网络
2019-07-25 v1 机器学习
物理与社会
摘要
本文提出一种利用类标签引导张量分解的方法。此外，它展示了所提方法在识别多关系网络中扮演特殊角色节点（如垃圾信息传播者）方面的优势。大多数复杂系统涉及实体间多种类型的关系与交互。融合不同关系的信息对各种预测任务可能至关重要。本文中，我们不是为每种关系创建独立的预测模型，而是提出一种基于 RESCAL 的张量分解方法，其协同利用所有现有关系。我们将 RESCAL 扩展为一种半监督分解方法，将分类误差项与标准因子优化过程相结合。这种耦合优化方法对张量数据建模，吸收来自所有关系的观测信息，同时考虑分类性能。我们在真实世界社交网络数据上的评估表明，在可用时引入监督会得到更精确的模型。
引用
@article{arxiv.1907.10416,
title = {Semi-Supervised Tensor Factorization for Node Classification in Complex Social Networks},
author = {Georgios Katsimpras and Georgios Paliouras},
journal= {arXiv preprint arXiv:1907.10416},
year = {2019}
}
备注
Presented at the Joint International Workshop on Social Influence Analysis and Mining Actionable Insights from Social Networks 2018