论文阅读《SHINE: Signed Heterogeneous Information Network Embedding for Sentiment Link Prediction》

摘要：社会网络中用户之间存在情感链接(sentimentlinks)。在个人广告和公众舆论分析等许多领域，预测情感链接的迹象是一项基本任务。前人研究仅关注文本，还有用户资料和社会关系等却未被考虑。本文研究了如何在异构信息存在的情况下预测可能存在的sentiment links.。

 

introduction：在在线社交网络中对便宜、电影明星、政要等发表感想，形成用户间的sentiment links（不单单局限于follow的关系，是用户发出的语义暗示(sign)，positive negative）。

情感分析不能捕获没有任何先验内容信息但可能存在的sentimentlinks。那么该怎么预测？（这类问题广泛应用在在线服务中，如个性化广告、新朋友推荐、公众意见分析、民意调查）挑战：缺乏标签、情绪复杂、稀疏。已有Network embedding 的研究，只适用于具有正加权的网络和、单一类型网络。

本文首先（利用最先进的实体层次情感提取方法）建立微博有标签的异构情感数据集（用户情感关系、社会关系、用户资料），然后增加社会关系和用户及名人画像描述。（社交网络的结构信息可以影响用户对在线项目的偏好，来自知识库的信息可以提高推荐的性能。） 提出的SHINE(signed heterogeneousInformation network embedding)框架能够学习用户表示（自编码器），并能预测异构网络的情感链接。SHINE预测，灵活的增加或删除side information.(section 5) （实验任务：链接预测、节点推荐；还利用Side information解决了冷启动问题）

 

Section 2 Related work

2.1 signed link prediction

       涉及signed social networks（信任传播、光谱分析、社交媒体挖掘）参考文献【14，31 ，21】

本文建立了一个带标签的数据集。

2.2 Network embedding

 DeepWalk,LINE,Node2vec SDNE等都只适用于无符号的同构网络。2,32研究异构网络，10研究属性网络或2933研究有符号的网络。但只适用于特定类型的网络，不适用于sentiment 网络中的prediction。

 

Section 3  Data collection

       用（中文