[论文解读] A Survey of Signed Network Mining in Social Media

Jiliang Tang, Yi Chang+2 more|arXiv (Cornell University)|Nov 24, 2015

Complex Network Analysis Techniques参考文献 116被引用 14

一句话总结

本综述全面概述了社交媒体中签名网络挖掘的研究，聚焦于基于结构平衡理论和地位理论等社会理论的链接预测、社区检测和节点排序等任务。通过特征工程、约束生成和目标函数定义，将这些理论整合到计算方法中，利用随机游走、低秩逼近和谱聚类等技术，应对具有正负关系的稀疏、噪声大、大规模签名网络所特有的挑战。

ABSTRACT

Many real-world relations can be represented by signed networks with positive and negative links, as a result of which signed network analysis has attracted increasing attention from multiple disciplines. With the increasing prevalence of social media networks, signed network analysis has evolved from developing and measuring theories to mining tasks. In this article, we present a review of mining signed networks in the context of social media and discuss some promising research directions and new frontiers. We begin by giving basic concepts and unique properties and principles of signed networks. Then we classify and review tasks of signed network mining with representative algorithms. We also delineate some tasks that have not been extensively studied with formal definitions and also propose research directions to expand the field of signed network mining.

研究动机与目标

• 提供对社交媒体平台中签名网络挖掘任务的系统性综述。
• 识别并形式化签名网络挖掘中缺乏足够理论或算法基础的未充分探索任务。
• 分析社会理论（尤其是结构平衡理论和地位理论）如何被整合到签名网络的计算模型中。
• 对随机游走、低秩逼近和谱聚类等关键技术进行分类与比较，以探讨其在签名网络挖掘中的应用。
• 突出展示在大规模、真实世界社交媒体环境中推进签名网络分析领域发展的有前景研究方向。

提出的方法

• 通过特征工程、约束生成和目标函数设计，将结构平衡理论和地位理论等社会理论系统性地融入挖掘模型。
• 采用随机游走进行节点排序和社区检测，通过建模在签名网络拓扑上的随机遍历过程来实现。
• 应用低秩矩阵逼近技术，以捕捉签名邻接矩阵中的潜在结构，用于链接预测和推荐任务。
• 利用谱聚类基于图拉普拉斯矩阵对签名网络进行划分，实现社区检测和节点表示学习。
• 使用正则化技术（如平衡正则化和广义平衡正则化）将社会理论约束嵌入优化目标。
• 将挖掘任务分类为面向节点的（如排序）、面向链接的（如符号预测）以及面向应用的（如推荐）三类，并列举代表性算法。

实验结果

研究问题

• RQ1 如何系统性地应用结构平衡理论和地位理论等社会理论，以设计有效的签名网络挖掘算法？
• RQ2 无符号网络与签名网络挖掘在算法设计上的关键差异是什么？为何标准的无符号网络方法无法直接扩展？
• RQ3 在多样化的签名网络挖掘任务中，随机游走、低秩逼近和谱聚类等计算技术中，哪一种最为有效？
• RQ4 签名网络挖掘中哪些主要的无监督和半监督任务仍处于研究不足或缺乏正式定义的状态？
• RQ5 如何通过特征工程、约束或目标函数，将社会理论嵌入机器学习模型以提升预测性能？

主要发现

• 结构平衡理论和地位理论等社会理论被广泛用作设计签名网络挖掘算法的基础原则。
• 基于平衡理论的特征工程通过引入基于三角形和三元组的特征，显著提升了链接预测性能。
• 强制实施平衡约束的正则化技术在负链接预测和推荐任务中显著提升了模型性能。
• 低秩逼近技术能有效捕捉大规模、稀疏签名网络中的全局结构模式，适用于链接预测和推荐任务。
• 谱聚类为社区检测提供了稳健基础，并可支持向量表示学习，适用于多种挖掘任务。
• 尽管已取得进展，但动态签名网络分析和多关系签名网络建模等任务仍研究不足，且缺乏正式定义。