通过异构图上联合建模用户、连接与多模态内容理解政治极化

理解社交平台上的政治极化十分重要，因为公众意见在同质社区中传播时可能变得日益极端，从而可能在现实世界中造成危害。自动检测社交媒体用户的政治意识形态有助于更好地理解政治极化。然而，由于意识形态标签稀缺、多模态内容复杂以及耗时的数据收集过程成本高，这一任务具有挑战性。在本研究中，我们采用异构图神经网络，在二部图中联合建模用户特征、多模态帖子内容以及用户-项目关系，以学习全面有效的用户嵌入，且无需意识形态标签。我们将框架应用于关于经济和公共卫生话题的在线讨论。学习到的嵌入随后用于检测政治意识形态和理解政治极化。在两个社交媒体数据集上，我们的框架在受试者工作特征曲线下面积方面比单模态、早期/晚期融合基线以及同质 GNN 框架高出至少 9% 的绝对增益。更重要的是，我们的工作不需要耗时的数据收集过程，从而允许更快的检测，进而使政策制定者能够及时进行分析并设计政策以应对危机。我们还展示了我们的框架学习到有意义的用户嵌入，并有助于更好地理解政治极化。观察到用户描述、话题、图像以及转推/引用活动水平方面的显著差异。我们用于解码用户-内容交互的框架在理解政治极化方面具有广泛适用性。此外，它可扩展至用户-项目二部信息网络，用于内容推荐和产品推荐等其他应用。