[论文解读] Applications of Structural Balance in Signed Social Networks

Jérôme Kunegis|arXiv (Cornell University)|Feb 27, 2014

Complex Network Analysis Techniques参考文献 50被引用 26

一句话总结

本文提出了一套新颖的方法，基于结构平衡理论分析符号社交网络，利用符号图拉普拉斯矩阵和电阻距离来衡量平衡性、检测社区、改进图可视化并预测链接。核心贡献是一套代数技术，尤其是基于符号拉普拉斯矩阵和电阻距离的链接预测方法，在真实世界数据集上显著优于基线方法，其在维基百科冲突数据集上的AUC得分超过85%。

ABSTRACT

We present measures, models and link prediction algorithms based on the structural balance in signed social networks. Certain social networks contain, in addition to the usual 'friend' links, 'enemy' links. These networks are called signed social networks. A classical and major concept for signed social networks is that of structural balance, i.e., the tendency of triangles to be 'balanced' towards including an even number of negative edges, such as friend-friend-friend and friend-enemy-enemy triangles. In this article, we introduce several new signed network analysis methods that exploit structural balance for measuring partial balance, for finding communities of people based on balance, for drawing signed social networks, and for solving the problem of link prediction. Notably, the introduced methods are based on the signed graph Laplacian and on the concept of signed resistance distances. We evaluate our methods on a collection of four signed social network datasets.

研究动机与目标

• 开发基于结构平衡原则的实用方法，用于分析边表示友谊与敌意的符号社交网络。
• 通过新型度量方法（如符号聚类系数和代数冲突）在局部（三角形层面）和全局（谱层面）量化结构平衡。
• 通过从平衡原则推导出的符号拉普拉斯矩阵，改进符号网络中的图可视化与社区检测。
• 利用符号电阻距离的概念解决符号网络中的链接预测问题，实现对未来正向或负向关系的准确预测。

提出的方法

• 引入符号聚类系数作为结构平衡的局部度量，量化网络中平衡三角形的比例。
• 从符号图绘制问题中推导出符号拉普拉斯矩阵，确保平衡配置在视觉和数学上保持一致。
• 从代数角度定义符号拉普拉斯矩阵，并证明其关键谱性质，包括对称性和半正定性。
• 提出代数冲突作为不平衡的全局度量，定义为符号拉普拉斯矩阵的最小特征值。
• 将符号拉普拉斯矩阵应用于图聚类问题，实现尊重结构平衡的社区检测。
• 使用符号拉普拉斯矩阵的Moore-Penrose逆（即电阻距离矩阵）作为链接预测的核函数，基于网络结构建模新边的出现概率。

实验结果

研究问题

• RQ1 如何在符号社交网络中同时从局部（三角形）和全局（谱）层面度量结构平衡？
• RQ2 能否从图绘制原则中推导出符号拉普拉斯矩阵？其是否能实现更优的社区检测？
• RQ3 基于符号拉普拉斯矩阵最小特征值的代数冲突，如何作为不平衡的全局度量？
• RQ4 与标准方法相比，符号电阻距离能否提升符号网络中链接预测的准确性？
• RQ5 在多种符号网络数据集上，基于邻接矩阵和拉普拉斯矩阵函数的哪些链接预测算法表现最佳？

主要发现

• 在维基百科冲突数据集上，归一化电阻距离核函数（N-Resi）取得了85.04%的最高AUC得分，优于其他方法。
• 在Epinions数据集上，归一化电阻距离核函数（N-Resi）取得了78.82%的AUC，为所有评估方法中的最佳表现。
• 电阻距离方法（Resi）在维基百科冲突数据集上取得了87.02%的AUC，表明其在高度平衡网络中具有强大的预测能力。
• 在Slashdot Zoo数据集上，指数核函数和归一化Nevmann核函数表现最佳，AUC分别为68.98%和67.71%。
• 基于符号拉普拉斯矩阵的方法，尤其是电阻距离及其归一化变体，在全部四个数据集上均持续优于标准方法。
• 研究证实，结构平衡是符号网络中一个强大的组织原则，借助代数图论可实现对未来正向或负向链接的准确预测。