属性社交网络中系统性偏差的模拟及其对少数群体节点排名的影响
社会与信息网络
2022-01-12 v2
摘要
网络分析为认识各类社会系统提供了有力工具。然而，大多数分析隐含假设所考虑的关系数据无误差、可靠并准确反映待分析系统。尤其当网络由多个群体构成时，该假设与文献中充分记载的一系列系统性偏差、测量误差及其他不准确性相冲突。为研究此类误差的影响，我们引入一个在属性网络中模拟系统性偏差的框架。我们的框架使我们能够建模由外部节点属性驱动的或源于（隐藏）网络结构本身的错误边观测。我们以基于度的排名中少数群体表示为网络分析任务实例，展示系统性不准确性如何扭曲从中得出的结论。通过分析具有不同同配水平和群体规模的合成与真实网络，我们发现引入系统性边误差既可能导致少数群体排名大幅上升，也可能导致其大幅下降。观测效应同时取决于所考虑的边误差类型与系统中的同配水平。因此我们得出结论：边数据中系统性偏差的影响取决于网络拓扑与系统性误差类型之间的相互作用。这凸显了此处所开发的误差模型框架的必要性，其为研究各类网络分析任务中系统性边不确定性的影响提供了第一步。
引用
@article{arxiv.2010.11546,
title = {Simulating systematic bias in attributed social networks and its effect on rankings of minority nodes},
author = {Felix I. Stamm and Leonie Neuhäuser and Florian Lemmerich and Michael T. Schaub and Markus Strohmaier},
journal= {arXiv preprint arXiv:2010.11546},
year = {2022}
}