[论文解读] Coloring in the Links: Capturing Social Ties as They are Perceived

Sebastian Deri, Jérémie Rappaz+2 more|arXiv (Cornell University)|Feb 12, 2019

Complex Network Analysis Techniques参考文献 86被引用 12

一句话总结

本文提出了一种基于十个感知维度（相似性、信任、浪漫关系、社会支持、身份认同、尊重、知识交换、权力、乐趣和冲突）的多维社会关系模型，以捕捉超越简单强度的复杂人际关系。通过众包实验验证这些维度，并在最先进的方法基础上提升链接预测准确率，本研究提出了一套可扩展的框架，用于更丰富的社交网络建模，并在隐私控制、新闻聚合和好友推荐等应用中具有实际价值。

ABSTRACT

The richness that characterizes relationships is often absent when they are modeled using computational methods in network science. Typically, relationships are represented simply as links, perhaps with weights. The lack of finer granularity is due in part to the fact that, aside from linkage and strength, no fundamental or immediately obvious dimensions exist along which to categorize relationships. Here we propose a set of dimensions that capture major components of many relationships -- derived both from relevant academic literature and people's everyday descriptions of their relationships. We first review prominent findings in sociology and social psychology, highlighting dimensions that have been widely used to categorize social relationships. Next, we examine the validity of these dimensions empirically in two crowd-sourced experiments. Ultimately, we arrive at a set of ten major dimensions that can be used to categorize relationships: similarity, trust, romance, social support, identity, respect, knowledge exchange, power, fun, and conflict. These ten dimensions, while not dispositive, offer higher resolution than existing models. Indeed, we show that one can more accurately predict missing links in a social graph by using these dimensions than by using a state-of-the-art link embeddedness method. We also describe tinghy.org, an online platform we built to collect data about how social media users perceive their online relationships, allowing us to examine these dimensions at scale. Overall, by proposing a new way of modeling social graphs, our work aims to contribute both to theory in network science and practice in the design of social-networking applications.

研究动机与目标

• 识别并验证一组全面的感知维度，以捕捉超越关系强度的社会关系的多维本质。
• 通过引入更精细的关系维度，提升社交网络中的链接预测准确率。
• 开发一个可扩展、用户友好的平台（tinghy.org），用于从社交媒体用户处大规模收集自报的关系标签。
• 通过更高分辨率的关系建模，实现隐私控制、个性化新闻推荐和好友推荐等实际应用。
• 为未来研究提供基础，将语言特征与网络特征关联，以识别在线互动中的关系类型。

提出的方法

• 对社会学与社会心理学文献进行回顾，以识别社会关系的八个基础维度。
• 开展两次众包实验：一次用于收集日常语言中描述关系的词汇，另一次通过结构化评分验证并优化这些维度。
• 整合众包实验的发现，推导出最终的十个维度，其中包括两个新识别出的维度（乐趣和冲突）。
• 使用真实社交网络数据，将这十个维度应用于链接预测任务，并与最先进的链接嵌入方法进行性能对比。
• 开发 tinghy.org，一个游戏化的网络平台，使用户可通过互动任务使用这十个维度对在线关系进行标注。
• 在用户授权的前提下，从社交媒体账户收集背景互动数据（如消息、提及），并将对话内容与标注的关系类型关联。

实验结果

研究问题

• RQ1 人们在日常语言中，一致使用哪些社会关系维度来描述其关系？
• RQ2 这些基于感知的维度与现有模型相比，在预测社交网络中缺失链接方面表现如何？
• RQ3 相较于传统的关系强度或基于嵌入的方法，这十个维度在多大程度上能提升链接预测准确率？
• RQ4 像 tinghy.org 这类游戏化、平台无关的系统，能否有效收集大规模、可靠的关系标签？
• RQ5 这些维度在设计更好的社交网络应用（如隐私控制、内容聚合和好友推荐）方面具有何种影响？

主要发现

• 本研究识别出十个感知维度——相似性、信任、浪漫关系、社会支持、身份认同、尊重、知识交换、权力、乐趣和冲突——这些维度共同捕捉了社会关系的关键方面。
• 与最先进的链接嵌入方法相比，引入这十个维度显著提升了链接预测准确率，证明了其在社交网络中的结构相关性。
• 众包验证过程证实了这十个维度的可靠性和直观吸引力，用户在不同关系类型中的评分具有一致性。
• 平台 tinghy.org 有效实现了可扩展且具吸引力的数据收集，用户在游戏化环境中完成关系标注任务，保持了高参与度和数据质量。
• 收集到的数据将对话内容（如提及、回复）与特定关系类型关联，为未来训练监督模型以从文本预测维度提供了可能。
• 结果表明，信任、社会支持和冲突等关系类型不仅在感知上显著，而且在塑造网络拓扑结构方面也具有结构意义。