[论文解读] Signed Network Modeling Based on Structural Balance Theory

Tyler Derr, Charų C. Aggarwal+1 more|arXiv (Cornell University)|Oct 25, 2017

Complex Network Analysis Techniques参考文献 34被引用 3

一句话总结

本文提出了一种新颖的生成式有符号网络模型——平衡有符号 Chung-Lu（BSCL）模型，该模型整合了结构平衡理论，以同时保持三个关键属性：度分布、符号分布以及平衡/非平衡三角形分布。该模型采用自动化参数学习方法，生成的合成有符号网络在结构和平衡动态方面与真实世界有符号网络高度相似。

ABSTRACT

The modeling of networks, specifically generative models, have been shown to provide a plethora of information about the underlying network structures, as well as many other benefits behind their construction. Recently there has been a considerable increase in interest for the better understanding and modeling of networks, but the vast majority of this work has been for unsigned networks. However, many networks can have positive and negative links(or signed networks), especially in online social media, and they inherently have properties not found in unsigned networks due to the added complexity. Specifically, the positive to negative link ratio and the distribution of signed triangles in the networks are properties that are unique to signed networks and would need to be explicitly modeled. This is because their underlying dynamics are not random, but controlled by social theories, such as Structural Balance Theory, which loosely states that users in social networks will prefer triadic relations that involve less tension. Therefore, we propose a model based on Structural Balance Theory and the unsigned Transitive Chung-Lu model for the modeling of signed networks. Our model introduces two parameters that are able to help maintain the positive link ratio and proportion of balanced triangles. Empirical experiments on three real-world signed networks demonstrate the importance of designing models specific to signed networks based on social theories to obtain better performance in maintaining signed network properties while generating synthetic networks.

研究动机与目标

• 解决有符号网络缺乏系统性生成模型的问题，因为有符号网络在边的符号语义和社会原则（如平衡理论）方面与无符号网络存在根本性差异。
• 克服现有无符号网络模型在捕捉有符号网络独特结构和动态属性方面的局限性。
• 开发一种生成模型，能够同时保持三个核心属性：度分布、正/负边比例以及平衡与非平衡三角形的分布。
• 实现隐私保护的合成网络生成，用于研究、基准测试和零模型检验，而无需暴露真实用户数据。
• 提供一种自动化参数学习框架，基于真实有符号网络输入校准模型参数，确保关键网络属性的准确复现。

提出的方法

• 基于 Chung-Lu 随机图模型提出一种生成过程，通过引入边符号和三角形平衡约束，将其扩展至有符号网络。
• 引入两个关键参数：三角形平衡参数，用于控制平衡三角形的比例；符号平衡参数，用于调节正负边的比例。
• 设计一种自动化参数估计算法，通过匹配观测到的网络属性，从真实有符号网络中学习这些参数。
• 通过适配有符号边的优先连接机制，确保模型保持输入网络的度分布。
• 通过偏好形成具有一致符号模式的三角形（例如，三条正边或一条正边与两条负边）来强制实施结构平衡。
• 使用随机过程迭代增长网络，同时保持学习到的参数和目标分布。

实验结果

研究问题

• RQ1 能否设计一种生成模型，以同时保持有符号网络中的度分布、符号分布和平衡三角形分布？
• RQ2 基于结构平衡理论指导的模型，在复制真实世界有符号网络的结构属性方面，与现有无符号或启发式模型相比，效果如何？
• RQ3 自动化参数学习在无需人工调参的情况下，能在多大程度上提升合成有符号网络的保真度？
• RQ4 所提出的模型生成的网络在三角形类型分布和整体网络结构方面，与真实有符号网络相比如何？
• RQ5 该模型能否作为真实数据在有符号网络分析中的隐私保护研究和算法基准测试的可行替代方案？

主要发现

• BSCL 模型成功保持了真实有符号网络的度分布，生成网络与真实输入之间的偏差极小。
• 该模型准确复现了符号分布，保持了真实数据集（如 Bitcoin-OTC、Bitcoin-Alpha 和 Epinions）中正负边的比例。
• 在所有三个真实有符号网络（Bitcoin-OTC、Bitcoin-Alpha 和 Epinions）中，BSCL 模型在三角形类型分布上的绝对差异最小，分别为 0.102、0.309 和 0.309。
• 与 STCL/SKron、Ants14 和 Evo07 相比，该模型在复现有符号三角形类型细粒度分布方面表现更优，尤其在捕捉 {+,+,+} 和 {+,+,-} 三角形的普遍性方面。
• 自动化参数学习方法使模型能够在无需人工超参数调优的情况下生成高保真度的合成网络。
• 实证结果表明，BSCL 在生成保持真实有符号网络关键结构和平衡相关属性的合成网络方面具有有效性，支持其作为真实数据的隐私保护替代方案。