AAAI2020|结合时空信息的分层注意力网络在大规模社交网络中的应用

Mining Unfollow Behavior in Large-Scale Online Social Networks via Spatial-Temporal Interaction

Haozhe Wu, Zhiyuan Hu, Jia Jia, Yaohua Bu, Xiangnan He, Tat-Seng Chua

Tsinghua University, University of Science and Technology of China, National University of Singapore

http://hcsi.cs.tsinghua.edu.cn/Paper/Paper20/AAAI20-WUHAOZHE.pdf

线上社交网络依靠两种广泛分布的行为促成，即关注和取关，这两种行为分别对应关系创建和关系解除。

关于社交网络衍生的研究主要集中在关注行为，取关这种行为基本都是被忽略。对取关行为进行挖掘具有一定的挑战性，这种行为不仅由类似信息互惠这种用户属性的简单组合来决定，也会由比较复杂的交互关系来决定。

另外，之前的数据集很少包含足够的记录来推理复杂交互。为解决这些问题，作者们构建了大规模真实数据集 Weibo1，该数据集记录了详细的转发内容和180万中国用户的关系动态。

作者们对用户属性定义成两类，一类是空间属性，比如用户的社交角色，另一类是时间属性，比如用户的转发内容。利用构建的数据集，作者们对用户的时间和空间属性的交互作用对取关行为的影响进行了系统研究。

作者们提出一种新的带有异构信息的统一模型，UMHI，来预测取关行为。该模型能够通过社交网络结构来捕捉用户的空间属性，利用用户转发内容和取关历史来推理用户的时间属性，利用非线性MLP对用户的时空属性的交互进行建模。

实验结果表明，UMHI模型的准确率超出基准方法16.44%。另外，因子分析表明时空属性对于挖掘取关行为是必要信息。

取关图示如下

这篇文章的主要贡献如下

网络结构图示如下

时空属性的区别如下