[论文解读] Signed Link Analysis in Social Media Networks

Ghazaleh Beigi, Jiliang Tang+1 more|arXiv (Cornell University)|Mar 22, 2016

Complex Network Analysis Techniques被引用 18

一句话总结

本文提出了一种新颖的签名社交网络链接分析框架，通过整合心理学与社会学理论——情感信息、创新扩散理论及个体人格特质——实现链接预测。研究结果表明，情感表达、同伴影响以及人格特质（乐观/悲观）显著预测正负链接的形成，统计检验的p值均低于1e-19，充分体现了理论指导分析在签名网络中的强大实证支持。

ABSTRACT

Numerous real-world relations can be represented by signed networks with positive links (e.g., trust) and negative links (e.g., distrust). Link analysis plays a crucial role in understanding the link formation and can advance various tasks in social network analysis such as link prediction. The majority of existing works on link analysis have focused on unsigned social networks. The existence of negative links determines that properties and principles of signed networks are substantially distinct from those of unsigned networks, thus we need dedicated efforts on link analysis in signed social networks. In this paper, following social theories in link analysis in unsigned networks, we adopt three social science theories, namely Emotional Information, Diffusion of Innovations and Individual Personality, to guide the task of link analysis in signed networks.

研究动机与目标

• 为解决签名网络链接分析中的空白，此类网络与无符号网络存在本质差异，因其包含负面（不信任）链接。
• 探究心理学与社会学理论如何在超越拓扑结构的基础上指导链接形成分析。
• 将用户层面属性——情感、人格（乐观/悲观）及同伴影响——整合进签名网络的链接预测中。
• 通过真实世界数据集（Epinions、Slashdot）实证验证情感信息、社会影响与人格特质对链接形成的影响。

提出的方法

• 通过评论/评价中的情感分析测量用户间的情感强度，情感强度越高，正向链接的可能性越大，情感信息理论由此应用。
• 采用两样本t检验，比较当共同好友u_k与u_j存在正向或负向链接时，用户u_i与u_j形成链接的可能性，以建模创新扩散理论。
• 基于评分与评论得分对用户进行乐观/悲观人格分组，再通过t检验检验不同组间链接形成差异。
• 使用统计假设检验（两样本t检验）评估各理论下观察到的链接形成模式的显著性，显著性水平α = 0.01。
• 数据集来源于Epinions（产品评分）与Slashdot（用户评论），乐观/悲观得分基于评分行为推导。
• 该框架结合理论指导的特征工程与严格的统计验证，以评估链接预测潜力。

实验结果

研究问题

• RQ1 在签名网络中，相互表达更强正向情感的用户是否更可能形成正向链接？
• RQ2 若一名共同好友已与某用户形成正向或负向链接，该用户是否更可能与该用户形成同方向的链接？
• RQ3 乐观度得分更高的用户是否比乐观度较低的用户更可能形成正向链接？
• RQ4 悲观度得分更高的用户是否比悲观度较低的用户更可能形成负向链接？
• RQ5 情感、社会影响与人格因素在多大程度上共同解释签名网络中的链接形成？

主要发现

• 相互间情感强度更高（正向情感）的用户显著更可能形成正向链接，t检验p值分别为1.84e-75（Epinions）与3.56e-91（Slashdot）。
• 用户更可能以与朋友对第三方链接相同的方向形成链接，支持创新扩散理论（p < 0.01）。
• 乐观度得分更高的用户显著更可能形成正向链接，t检验p值分别为3.16e-19（Epinions）与1.60e-23（Slashdot）。
• 悲观度得分更高的用户显著更可能形成负向链接，证实了基于人格的链接形成倾向。
• 结果在多种分组方式（K=20, 30, 50）下保持稳健，强化了基于人格的链接预测可靠性。
• 心理学与社会学理论的整合显著提升了签名网络中的链接分析效果，超越仅依赖拓扑特征的分析方法。