UniGO：用于建模图上意见动力学的统一图神经网络

社交媒体上的两极化和碎片化加剧了用户偏见，使得理解意见演化至关重要。意见动力学为研究意见演化提供了可解释性，但将这些见解集成到预测模型中仍具有挑战。这种挑战源于意见融合规则多样性复杂，以及在避免过平滑的同时捕捉平衡状态的困难。本文构建了一个统一的意见动力学模型，以整合不同的意见融合规则并生成相应的合成数据集。为充分利用统一意见动力学的优势，本文引入了 UniGO 框架，用于对图上的意见演化进行建模。通过 coarsen-refine 机制，UniGO 通过图神经网络高效地建模意见动力学，缓解了过平滑问题，同时保留了平衡现象。UniGO 利用在合成数据集上的预训练，增强了其对真实场景的泛化能力，为意见动力学的实际应用提供了可行范式。在合成数据集和真实数据集上的实验结果表明，UniGO 在捕捉复杂意见形成过程和预测未来演化方面效果显著，其预训练模型也展现出强大的泛化能力，验证了利用合成数据提升真实世界性能的优势。