Network Embedding：Attributed Signed Network Embedding

摘要:

Network Embedding目的是学习到网络节点的低维表征，然后使用得到的表征，进行下游的分析人物，如聚类，分类以及链路预测。现有的大部分Network Embedding方法仅仅被设计应用于无符号社交网络(unsigned social networks)。然而，许多社交媒体网络都有正反两方面的链接，而无符号算法对这些链接的效用很小。最近在符号网络分析中的发现表明，负链接比正链接具有明显的属性和附加值（added value）。这给符号网络嵌入带来了挑战和机遇。 另外，对用户的属性和兴趣进行编码的用户属性也为网络结构提供了补充信息，并具有改善符号网络嵌入的潜力。因此，本文研究了带有属性的符号社交网络嵌入的新问题。 我们提出了一种新颖的框架SNEA，该框架同时利用网络结构和用户属性进行网络表示学习。 关于链接预测和具有真实世界数据集的节点聚类的实验结果证明了SNEA的有效性。

引言:

首先交代了Network Embedding的基本概念，应用领域(link prediction [18], community detection [21], node classiffication [4] and visualization [32].)。然而，现有的大多数网络嵌入算法都专用于仅具有正链接的社交网络。 但是，社交网络可以包含正面和负面链接，并且这些符号社交网络存在于各种社交媒体站点上（现有方法的不足），例如具有信任和不信任链接的Epinions和具有敌友链接的Slashdot。 除了现有的符号社交网络之外，还提出了许多算法来根据用户或文档之间的正向和负向交互来构建符号网络[9，19]。

（了解网络嵌入的同学，可能会知道，目前有许多网络嵌入的方法对社交网络进行学习，然而是否可以应用于符号社交网络？符号视角网络的学习与无符号社交网络的差异是否很大？）

本文主要是研究符号社交网络的网络嵌入方法。虽然目前已经有许多网络嵌入方法，但是它们并不适用于符号社交网络。例如无符号网络的同质效应和社会影响可能不适用于其原始形式的有符号网络[30]。与此类似，现有的嵌入方法并不能够容易的被扩展到有符号网络嵌入领域。最近对挖掘符号社交网络的研究表明，在各种分析任务中，负向链接比正向链接具有更高的价值。 例如，少量的负面链接可以显着提高正面链接的预测性能[16]，它们还可以改善社交媒体中的推荐性能[33]。 尽管签名网络嵌入具有挑战性，但其研究成果可能会推动签名网络挖掘任务（例如链路预测）的发展。 但是，有关符号网络嵌入的现有工作相当有限。 另外，已经证明揭示用户兴趣和/或属性的节点属性对于学习未签名网络的更好表示是有效的[7，46]。 因此，我们很好奇节点属性是否可以帮助提高符号网络嵌入的质量。

本篇论文研究符号社交网络主要从两个问题方面进行分析:

（1）用户链接和用户属性之间的关系是什么？

（2）如何同时为已签名的链接和属性建模以学习网络嵌入

为了回答这两个问题，我们对具有属性的签名网络进行了数据分析，并基于分析结果，提出了一个新的带有属性的签名网络嵌入框架SNEA，该框架在一个统一的框架中对签名链接和用户属性进行建模。 接下来总结论文的主要贡献：

• Providing a principled way to analyze the relationship between signed links and the similarity of user attributes;
• Proposing a novel framework SNEA, which leverages both signed links and user attributes for learning network embedding;
• Conducting experiments on real-world signed social network datasets to assess the effectiveness of SNEA.

 

相关工作:

相关工作需要各位自行查看。读一篇论文感觉虽然提出的思想固然重要，但是相关工作也是非常重要的一部分。通过相关工作，我们能够在一定程度上对相关领域研究有一些自己的看法。