基于信息论变分图自编码器的极化网络无监督信念表示学习
社会与信息网络
2022-09-16 v5 机器学习
摘要
本文提出了一种用于极化网络中信念表示学习的新型无监督算法，该算法（i）揭示底层信念空间的潜在维度，并且（ii）将用户及其交互的内容项联合嵌入该空间，以便于若干下游任务，如立场检测、立场预测与意识形态映射。受信息论中总相关的启发，我们提出了信息论变分图自编码器（InfoVGAE），其学习将用户与内容项（例如代表用户观点的帖子）投影到适当的解耦潜在空间。为了更好地解耦该空间中的潜在变量，我们开发了总相关正则化模块、比例-积分（PI）控制模块，并采用修正高斯分布以确保正交性。用户与内容的潜在表示随后可用于量化其意识形态倾向并检测/预测其在议题上的立场。我们在三个真实世界数据集上评估所提出的InfoVGAE的性能，其中两个采集自Twitter，一个来自美国国会投票记录。评估结果表明，我们的模型通过将用户聚类误差降低10.5%以及使内容项立场分离的F1分数提高12.1%，优于最先进的（SOTA）无监督模型。此外，InfoVGAE取得了与有监督模型相当的结果。我们还讨论了其在立场预测与意识形态群体内用户排序上的表现。
引用
@article{arxiv.2110.00210,
title = {Unsupervised Belief Representation Learning with Information-Theoretic Variational Graph Auto-Encoders},
author = {Jinning Li and Huajie Shao and Dachun Sun and Ruijie Wang and Yuchen Yan and Jinyang Li and Shengzhong Liu and Hanghang Tong and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:2110.00210},
year = {2022}
}
备注
In Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '22)