[论文解读] The Slashdot Zoo: Mining a Social Network with Negative Edges

Jérôme Kunegis, Andreas Lommatzsch+1 more|arXiv (Cornell University)|Oct 31, 2017

Complex Network Analysis Techniques参考文献 27被引用 392

一句话总结

本文引入了针对具有正向（好友）和负向（敌对）边的社会网络的符号网络分析技术，基于Slashdot Zoo数据集，提出基于矩阵指数和符号拉普拉斯矩阵的代数方法，以建模乘法传递性——即“敌人的敌人是我的朋友”——并证明这些方法在预测链接符号和识别不受欢迎用户方面显著优于传统的无符号方法。

ABSTRACT

We analyse the corpus of user relationships of the Slashdot technology news site. The data was collected from the Slashdot Zoo feature where users of the website can tag other users as friends and foes, providing positive and negative endorsements. We adapt social network analysis techniques to the problem of negative edge weights. In particular, we consider signed variants of global network characteristics such as the clustering coefficient, node-level characteristics such as centrality and popularity measures, and link-level characteristics such as distances and similarity measures. We evaluate these measures on the task of identifying unpopular users, as well as on the task of predicting the sign of links and show that the network exhibits multiplicative transitivity which allows algebraic methods based on matrix multiplication to be used. We compare our methods to traditional methods which are only suitable for positively weighted edges.

研究动机与目标

• 开发并评估适用于具有负边权重的社会网络的符号网络分析技术。
• 探究在现实世界符号网络中，乘法传递性（即“敌人的敌人是我的朋友”）是否成立。
• 通过新颖的符号中心性和流行度度量识别不受欢迎的用户。
• 利用基于矩阵函数的代数相似性度量预测社交网络链接的符号。
• 将符号代数方法与传统的无符号网络分析技术进行性能比较。

提出的方法

• 提出符号聚类系数和相对符号聚类系数，以分析全局网络结构。
• 引入负秩（Negative Rank）作为符号流行度度量，用于识别不受欢迎或恶意用户。
• 将谱相似性度量（如矩阵指数、对称与非对称矩阵指数、符号拉普拉斯矩阵）适配用于链接符号预测。
• 通过特征分解进行降维，以高效计算矩阵指数和伪逆矩阵。
• 应用矩阵指数核来建模具有阻尼效应的长程乘法传递性。
• 采用30%的保留测试集，通过相似性评分的符号评估链接符号预测的准确性。

实验结果

研究问题

• RQ1 在现实世界的符号社交网络（如Slashdot Zoo）中，‘敌人的敌人是我的朋友’这类乘法传递性是否成立？
• RQ2 符号谱相似性度量是否能在预测社交链接符号方面优于传统的无符号方法？
• RQ3 符号中心性和流行度度量在识别不受欢迎或恶意用户方面有多有效？
• RQ4 基于矩阵指数的核函数在符号网络分析中是否比非指数形式具有更好的泛化能力？
• RQ5 在捕捉符号网络中方向性传递性方面，矩阵核的非对称形式是否比对称形式更有效？

主要发现

• 非对称矩阵指数核实现了最高预测准确率0.68，显著优于其他方法。
• 指数核在维度k增加时未出现过拟合，达到渐近性能，而其非指数对应方法则出现过拟合。
• 符号拉普拉斯相似性矩阵在低k值下表现稳定，且准确率良好，无过拟合现象。
• 符号聚类系数为Slashdot Zoo网络中存在乘法传递性提供了强有力证据。
• 负秩有效识别出不受欢迎用户，证明了符号流行度度量在社区检测中的实用性。
• 本研究证实，乘法传递性是真实符号社交网络中有效且可利用的性质，支持基于矩阵乘法的代数方法。