Multivariate Relations Aggregation Learning in Social Networks
Dalian University of Technology(大连理工大学);University of South Australia(南澳大利亚大学);Monash University(蒙纳士大学);Federation University Australia(澳大利亚联邦大学)
多元关系普遍存在于生物网络、社交网络、交通网络和学术网络等各种类型的网络中。由于三元闭包原理和群体形成的趋势,社交网络中的多元关系复杂而丰富。因此,在社交网络的图学习任务中,多元关系信息的识别和利用显得更为重要。现有的图学习方法都是基于邻域信息扩散机制,往往会导致多变量关系信息的部分遗漏甚至缺失,最终影响任务的准确性和执行效率。针对这些挑战,提出了多元关系聚合学习(MORE)方法,该方法能够有效地获取网络环境下的多元关系信息。MORE算法通过聚合节点属性特征和结构特征,实现了更高的精度和更快的收敛速度。我们在一个引文网络和五个社交网络上进行了实验。实验结果表明,MORE模型在节点分类任务中具有比GCN(图卷积网络)模型更高的准确率,并能显著降低时间开销。
2020-08-09 cs.LG cs.SI
Heterogeneous Temporal Graph Neural Network
Case Western Reserve University(凯斯西储大学);University of Notre Dame(圣母大学);Brandeis University(布兰迪斯大学);Emory University(埃默里大学)
图神经网络(GNN)的表示学习已经在动态图上得到了广泛的研究,其中大多数集中在空间域中具有同构结构的图上。然而,许多现实世界的图表-即,异构时态图(HTG)-在异构图结构的上下文中动态地演变。与异质性相关的动态性对HTG表示学习提出了新的挑战。为了解决这个问题,在本文中,我们提出了异构的时间图神经网络(HTGNN)集成的空间和时间的依赖性,同时保持异构性,学习节点表示在HTG。具体来说,在HTGNN的每一层,我们提出了一个分层的聚合机制,包括内部关系,相互关系,和跨时间的聚合,联合建模异构的空间依赖性和时间维度。为了保持异构性,首先在HTG的每个切片上执行关系内聚合,以专注地聚合具有相同类型关系的邻居的信息,然后利用关系内聚合来收集不同类型关系上的信息;为了处理时间依赖性,进行跨时间聚合,以在HTG上的不同图切片之间交换信息。提出的HTGNN是一个整体框架定制的异质性与HTG表示学习的时间和空间的演变。在基于不同真实数据集构建的HTG上进行了大量实验,与最先进的基线相比,令人鼓舞的结果证明了HTGNN的出色性能。我们构建的HTG和代码已在https://github.com/YesLab-Code/HTGNN上公开访问。
2021-10-26 cs.LG cs.SI
MSM-BD: Multimodal Social Media Bot Detection Using Heterogeneous Information
George Mason University(乔治梅森大学);Dartmouth College(达特茅斯学院);New York University(纽约大学)
本文提出MSM-BD方法,通过异构信息融合技术提升社交媒体机器人检测精度,利用TwiBot-22数据集验证了模型有效性。
2026-03-19 cs.MM cs.SI
Heterogeneous Subgraph Network with Prompt Learning for Interpretable Depression Detection on Social Media
School of Computer Science and Technology, Guangdong University of Technology(广东工业大学计算机科学与技术学院)
针对社交媒体抑郁症早期检测缺乏可解释性、忽略数据异构性与用户全局交互的问题,提出基于提示学习的异构子图网络(HSNPL),结合对比学习与双重注意力机制建模异构信息及用户交互,显著提升检测性能。
2024-07-12 cs.AI cs.SI
Representing Social Networks as Dynamic Heterogeneous Graphs
Muma College of Business University of South Florida
过去,现实世界社交网络的图形表示缺少两个重要元素:连接的多样性以及表示时间。为此,在本文中,我们提出了一种新的动态异构图表示的社交网络,其中包括时间在每个单一的组成部分,即,节点和边,每一种都是不同的类型,它们捕获了异质性。我们通过提出四个时间相关查询和深度学习问题来说明这种表示的强大功能,这些问题在常用的传统同构图表示中无法轻松处理。作为概念的证明,我们提出了一个新的社交媒体平台(Steemit),我们用它来说明动态查询能力以及预测任务,使用图神经网络(GNNs)的详细表示。实验结果表明了动态异构图表示对社交网络建模的强大功能。鉴于这是一个相对欠研究的领域,我们还说明了未来的工作机会,在查询优化以及新的动态预测任务异构图结构。
2022-09-12 cs.AI cs.SI
Modeling Spread of Preferences in Social Networks for Sampling-based Preference Aggregation
在人口众多的情况下,收集个人对一组备选方案的偏好并得出总体或集体偏好是一项密集的任务。我们表明,社会网络的人口基础可以利用有效地完成这一任务,通过采样的一个小的子集的代表性节点的偏好。我们首先开发了一个Facebook应用程序来创建一个由节点偏好和底层社交网络组成的数据集,使用该数据集,我们开发了一个模型,该模型可以捕获偏好在典型社交网络中的节点之间的分布情况。因此,我们提出了一个适当的目标函数的问题,选择最佳代表节点。我们设计了两个算法,即,Greedy-min提供了一个广泛的流行的投票规则类的性能保证,和Greedy-sum在实践中表现出优异的性能。我们比较了这些算法对随机轮询和流行的中心性措施的性能,并提供了一个详细的分析所获得的结果。我们的分析表明,使用社交网络信息选择代表有利于聚合与个人话题相关的偏好(例如,生活方式),而具有合理样本大小的随机轮询足以聚集与社会话题相关的偏好(例如,政府政策)。
2017-11-15 cs.SI physics.soc-ph
Challenges and Opportunities in Rapid Epidemic Information Propagation with Live Knowledge Aggregation from Social Media
Georgia Institute of Technology(佐治亚理工学院)
由于其不可预测性,快速变化的情况(如COVID-19大流行)对AI/ML模型来说是一个重大挑战。%大流行蔓延的最可靠指标是检测呈阳性的病例数。然而,这些测试既不完整(由于未经测试的无症状病例),也很晚(由于从最初的接触事件,症状恶化和测试结果的滞后)。社交媒体可以补充物理测试数据,因为它的覆盖范围更快、更广,但也带来了不同的挑战:大量的噪音、错误信息和虚假信息。我们认为,只要满足两个条件,社交媒体就可以成为大流行病的良好指标。第一个(真正的新颖性)是从不可预测的演变情况中捕捉新的、以前未知的信息。第二个(事实与虚构)是可核实的事实与错误信息和虚假信息的区别。满足这两个条件的社交媒体信息被称为实时知识。我们采用循证知识获取(EBKA)方法,通过整合社交媒体来源和权威来源来收集、过滤和更新实时知识。虽然数量有限,但来自权威来源的可靠训练数据能够过滤错误信息并捕获真正的新信息。我们描述了实施EBKA的EDNA/LITMUS工具,将Twitter和Facebook等社交媒体与世卫组织和CDC等权威来源整合在一起,创建和更新有关COVID-19大流行的实时知识。
2020-11-09 cs.LG cs.SI
Communication Learning in Social Networks: Finite Population and the Rates
遵循贝叶斯通信学习范式,我们提出了有限种群学习概念来捕获任何给定网络中的信息聚合水平,其中允许代理在做出单一决策之前与邻居重复通信。这一概念有助于确定有限网络中有效信息聚合的发生,并揭示了参数之间的显式相互作用。它还使有意义的比较静态的有效性信息聚合在网络中。此外,它提供了一个坚实的基础,以解决一个新的完美的学习概念,长期动态的学习行为和相关的学习率作为人口的分歧。我们在通信网络中的有限种群学习和完美学习的发生条件是非常容易处理和透明的。
2012-12-12 cs.SI physics.soc-ph
Majority Dynamics and Aggregation of Information in Social Networks
考虑n个人,通过大众投票,在q >= 2个选项中选择,其中一个比其他选项“更好”。假设每个人都独立地随机投票,并且投票给更好的选择的概率大于投票给任何其他选择的概率。根据大数定律,n个人中的多数票将产生正确的结果,随着n趋于无穷大,概率以指数方式迅速接近1。我们对这篇论文的兴趣在于上述过程的一个变体,在形成他们的初始意见后,选民根据与社交网络中邻居的互动来更新他们的决定。我们的主要例子是“多数动态”,即每个选民都采纳朋友中最受欢迎的意见。这种互动重复一定数量的回合,然后进行全民多数投票。我们要解决的问题是“信息的有效聚合”:在哪些情况下,当n趋于无穷大时,选择的更好的方案的概率接近1?相反,对于哪些增长图序列,聚合失败,因此选择错误的替代方案的概率远离零?我们构建了一个家庭的例子中,相互作用,防止有效的信息聚合,并给出了一个条件的社会网络,确保聚合发生。对于多数动力学的情况下,我们也调查的问题的限制。特别是,如果选民的社会网络是一个扩展图,我们表明,如果初始人口是充分偏向于一个特定的替代品,那么该替代品最终将成为全体人口的一致偏好。
2012-07-04 cs.SI math.ST physics.soc-ph
Predicting Anchor Links between Heterogeneous Social Networks
人们通常参与多个社交网络以享受新的服务或满足他们的需求。许多新的社交网络试图吸引其他现有网络的用户以增加其用户数量。一旦社交网络(称为源网络)的用户(称为源用户)加入新的社交网络(称为目标网络),则在源网络和目标网络之间形成新的网络间链接(称为锚链接)。在本文中,我们集中在预测异质社交网络之间的锚链接的形成。与预测单个网络内两个现有用户之间的链路的形成的传统链接预测问题不同,在锚链接预测中,目标用户缺失,并且一旦创建锚链路,则目标用户将被添加到目标网络。为了解决这个问题,我们使用元路径作为一个强大的工具,利用源和目标网络中的异构信息。为此,我们提出了一个有效的通用元路径为基础的方法称为连接器和递归元路径(CRMP)。通过使用这两种不同类别的元路径,我们对可能影响源用户加入目标网络的社会因素的不同方面进行建模,从而形成新的锚链接。在现实世界的异构社交网络上进行的大量实验证明了该方法的有效性。
2016-08-01 cs.SI physics.soc-ph
Epidemic Spreading and Equilibrium Social Distancing in Heterogeneous Networks
我们研究了一个通过网络相互作用的异质种群之间的多类型SIR流行病过程。当我们的基础上的社会接触的随机图与给定的顶点度,我们给极限定理的感染的个人的分数。对于一个给定的社会距离的个人策略,我们建立了流行病的再现数$R_0$,它可以用来识别网络的脆弱性和通知疫苗接种政策。在本文的第二部分中,我们研究了社会距离博弈的均衡,其中个人根据预期的全球感染率选择他们的社会距离水平,然后必须等于他们选择后的实际感染率。给出了平衡点存在唯一的条件。对于随机规则图的情况下,我们表明,自愿的社会距离将始终是社会次优。
2021-11-01 cs.SI physics.soc-ph q-bio.PE
Social Bayesian Learning in the Wisdom of the Crowd
能够正确地将许多人的信念聚合成一个单一的信念是许多重要的社会,经济和政治过程,如政策制定,市场定价和投票的基本问题。虽然有许多模型和机制的聚合,有一个缺乏的方法和文献关于聚合的意见时,个人之间存在的影响和学习。这部分是因为没有太多的模型来描述人们在接触到其他人的信念时如何更新他们的信念,因此很难量化人们的心理模型之间的依赖关系,这对于最大限度地减少聚合中的冗余至关重要。在本文中,我们探索了许多用户如何相互影响和学习的模型,并将我们的模型与著名的DeGroot模型进行了基准测试。我们的主要贡献是:1)我们收集了一个前所未有的规模和细节的新数据集,并将其发布在网上; 2)我们开发了一个新的社会贝叶斯模型,用于研究人们如何更新他们的心理模型; 3)我们将我们的模型与其他知名的社会学习模型进行了比较。具体来说,我们表明,我们的新的社会贝叶斯模型优于其他模型测试。
2017-12-28 cs.SI physics.soc-ph
Dynamics of social contagions with heterogeneous adoption thresholds: Crossover phenomena in phase transition
异质性采纳阈值在社会传染中广泛存在,但在以往的研究中往往被忽视。我们首先提出了一个非马尔可夫扩散阈值模型一般采用阈值分布。为了定量地了解异质性采用阈值的影响,基于边缘的分区理论提出的模型。我们使用二元扩散阈值模型作为具体示例,其中一些个体具有低采用阈值(即,积极分子)而其余的人持有相对高的采用阈值(即,偏执狂),以证明异质采用阈值显着影响最终采用规模和相变。有趣的是,在该体系中可以发现一级、二级和混合相变。更重要的是,对于偏执者的不同采纳阈值,在相变中存在两种不同的交叉现象:从一阶或混合相变到二阶相变的变化。基于该理论的理论预测与数值模拟结果吻合得很好。
2015-09-10 cs.SI physics.soc-ph
Supervised Rank Aggregation for Predicting Influence in Networks
社会网络分析的许多工作都集中在识别社会网络中最重要的参与者。这导致了一些影响力和权威的措施。虽然大多数这样的社会计量学(例如,PageRank)是由基于参与者在网络中的位置的直觉驱动的,要求“最有影响力”的参与者本身就是一个不适定的问题,除非它与特定的可测量任务放在一起。在给定领域中构建感兴趣的预测任务提供了一种定量比较不同影响措施的机制。此外,当我们知道要收集什么类型的可操作洞察力时,我们不需要依赖于单一的网络中心性度量。测量的组合更有可能捕获社交网络的各个方面,这些方面对于任务是预测性的和有益的。为此,我们提出了一种监督排名聚合的方法,由社会选择理论的技术驱动。我们通过在Twitter和引文网络上的实验说明了该方法的有效性。
2011-08-24 cs.GT cs.IR cs.SI
Streaming Social Event Detection and Evolution Discovery in Heterogeneous Information Networks
Beihang University(北京航空航天大学);Hong Kong University of Science and Technology(香港科技大学);University of Leeds(利兹大学);Newcastle University(纽卡斯尔大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Lehigh University(理海大学)
事件发生在现实世界和实时,可以计划和组织的场合,如社交聚会,节日庆祝活动,有影响力的会议或体育活动。社交媒体平台生成了大量关于不同主题的公共事件的实时文本信息。然而,挖掘社会事件是具有挑战性的,因为事件通常表现出异构的纹理和元数据往往是模糊的。在本文中,我们首先设计了一个新的基于事件的元模式来描述社会事件的语义相关性,然后建立一个基于事件的异构信息网络(HIN)集成信息从外部知识库。其次,我们提出了一种新的成对流行度图卷积网络,命名为PP-GCN,基于加权元路径实例相似度和文本语义表示作为输入,执行细粒度的社会事件分类和学习的最佳权重的元路径在不同的任务。第三,我们提出了一个基于元路径相似性搜索、元路径历史信息和异构DBSCAN聚类方法的流媒体社交事件检测和演化发现框架。对真实世界的流媒体社交文本数据进行了全面的实验,以比较各种社交事件检测和进化发现算法。实验结果表明,我们提出的框架优于其他替代的社会事件检测和进化发现技术。
2021-04-02 cs.AI cs.LG cs.SI
Heterogeneous Social Event Detection via Hyperbolic Graph Representations
School of Computing, Macquarie University(麦考瑞大学计算学院);IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
针对社交媒体异构性和标签稀缺问题,提出基于双曲图表示的社会事件检测方法HSED及其无监督版本UHSED,通过统一社会消息图和图对比学习捕获结构信息,实验证明其优越性。
2023-02-20 cs.LG cs.SI
Social Influence-based Attentive Mavens Mining and Aggregative Representation Learning for Group Recommendation
频繁的群体活动已成为人类日常生活中不可缺少的一部分。在推荐系统中,群体推荐可以向群体成员推荐满意的活动,其关键问题是如何聚合不同群体成员的偏好。现有的群体推荐算法大多采用预定义的静态聚集策略来聚集群体成员的偏好,但这些静态聚集策略不能模拟群体的动态决策过程。同时,这些方法大多依赖于直觉或假设来分析群体成员的影响力,缺乏令人信服的理论支持。我们认为,群体成员的影响力在群体决策中起着特别重要的作用,它可以更好地帮助群体的个人资料建模和执行更准确的群体推荐。为了解决群体推荐中的偏好聚合问题,提出了一种基于社会学理论的群体推荐注意聚合表示学习方法SIAGR(Social Influence-based Attentive Group Recommendation),该方法将注意力机制和流行的方法BERT作为群体偏好建模的聚合表示。具体而言,我们分析了基于社会认同理论和两步流理论的群体成员的影响力,并开发了一个关注专家挖掘方法。此外,我们开发了一种基于BERT的表示方法来学习组成员的交互。最后,在神经协同过滤框架下完成了群体推荐,并通过实验验证了该方法的有效性。
2019-08-10 cs.IR cs.SI
Social Recommendation through Heterogeneous Graph Modeling of the Long-term and Short-term Preference Defined by Dynamic Time Spans
Purdue School of Engineering and Technology(普渡工程技术学院);Indiana University - Purdue University Indianapolis(印第安纳大学-普渡大学印第安纳波利斯分校)
针对社交网络数据动态特性的处理难题,本研究提出一种基于异构图的社交推荐新方法,通过添加周期节点定义用户长短期偏好并聚合边权重捕捉用户时序偏好,在真实数据上表现出更优性能。
2024-12-11 cs.AI cs.CE cs.SI
From Aggregation to Selection: User-Validated Distributed Social Recommendation
Rutgers University(罗格斯大学);Lehigh University(莱斯大学);Hong Kong Baptist University(香港 Baptist大学)
DeSocial是一种通过用户验证提升分布式社交推荐系统决策正确性和鲁棒性的框架。
2026-01-26 cs.AI cs.LG cs.SI
Learning multi-faceted representations of individuals from heterogeneous evidence using neural networks
Stanford University(斯坦福大学);Ohio State University(俄亥俄州立大学)
在线推断人的潜在属性是一项重要的社会计算任务,但需要整合网络上可用的许多异构信息源。我们建议使用神经网络来学习人们的个体表征,以整合从社交媒体收集的丰富的语言和网络证据。该算法能够结合不同的线索,例如一个人写的文本,他们的属性(例如性别,雇主,教育,位置)以及与其他人的社会关系。我们表明,通过整合文本和网络证据,这些表示在Twitter上的社交媒体推理中的四个重要任务中提供了更好的性能:预测(1)性别,(2)职业,(3)位置和(4)用户的友谊。我们的方法可以扩展到大型数据集,并且学习到的表示可以用作一般特征,并且有可能使大量下游任务受益,包括链接预测,社区发现或社交网络上的概率推理。
2017-05-11 cs.CL cs.SI
Fake News Detection with Heterogeneous Transformer
The Hong Kong University of Science and Technology(香港科技大学)
假新闻在社交网络上的传播引起了公众对有效和高效的假新闻检测方法的需求。一般来说,社交网络上的假新闻是多模态的,与用户和帖子等其他实体有各种联系。社交网络中新闻内容的异质性以及与其他实体的关系给设计一个模型带来了挑战,该模型可以全面捕获社交网络中实体的局部多模态语义和传播模式的全局结构表示,从而有效准确地分类假新闻。本文提出了一种新的基于Transformer的模型:HetTransformer,利用Transformer的编码器-解码器结构捕获新闻传播模式的结构信息,解决了社交网络上的假新闻检测问题。我们首先捕获本地异构语义的新闻,帖子,和用户实体在社交网络。然后,我们应用Transformer来捕获社交网络中传播模式的全局结构表示,以用于假新闻检测。在三个真实世界数据集上的实验表明,我们的模型能够在假新闻检测中超越最先进的基线。
2022-05-06 cs.AI cs.SI
Scalable Heterogeneous Social Network Alignment through Synergistic Graph Partition
社会网络对齐是近年来社会网络分析的一个重要研究课题。通过识别跨网络的共享用户,它将为研究人员提供更全面地了解用户在网络内和网络间的社交活动的机会。社交网络联盟是一个非常困难的问题。除了网络异质性带来的挑战外,网络对齐问题可以简化为具有极大搜索空间的组合优化问题。随着网络规模的增加,现有比对模型的学习效果和效率将显著降低。本文将重点研究可扩展异构社会网络对齐问题,并提出一种新的两阶段网络对齐模型,即\textbf{S}可扩展\textbf{H}异构\textbf{N}网络\textbf{A}对齐(SHNA)。基于一组网络内和网络间的Meta图,SHNA首先协同地将社交网络划分为一组子网络。通过部分已知的锚链路,SHNA将提取划分的子网络对应关系。SHNA建议识别匹配子网络对之间的锚链接,而不匹配子网络之间的锚链接将被修剪,以有效地缩小搜索空间,而不是对齐完整的输入网络。已经做了大量的实验,比较SHNA与最先进的基线方法在现实世界对齐的社交网络数据集。实验结果证明了{ \our }模型在解决该问题方面的有效性和效率。
2020-07-04 cs.SI physics.soc-ph
Social dynamics with peer support on heterogeneous networks: The "mafia model"
人类行为经常表现出一种模式,在这种模式中,个体对给定的主题采取漠不关心、中立或激进的立场。社区形成的机制与社会压力和接触网络的拓扑结构密切相关。在这里,我们讨论了一种方法来模拟社会行为,该方法考虑了在最近的邻居中与其相对丰度成比例的同类保护。我们探讨了随后的非线性动态强调的作用,社会网络的具体结构,无标度图建模。我们发现,意见的共存和共识的默认位置是可能的模型的定态。特别是,我们展示了这些状态如何严重依赖于社会网络的异质性和外部控制元素的具体分布。
2011-08-22 cond-mat.stat-mech cs.SI physics.soc-ph
Fine-grained Event Categorization with Heterogeneous Graph Convolutional Networks
Beihang University(北京航空航天大学);Hong Kong University of Science and Technology(香港科技大学);Tencent(腾讯);Tsinghua University(清华大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
事件发生在真实世界和实时,可以计划和组织涉及多个人和对象的场合。社交媒体平台发布了大量包含具有综合主题的公共事件的短信。然而,由于文本中事件元素的异质性以及显式和隐式的社会网络结构,挖掘社会事件具有挑战性。本文设计了一种事件元模式来表征社会事件的语义相关性,构建了一个基于事件的异构信息网络(HIN),整合外部知识库的信息,提出了一种新的基于成对流行度图卷积网络(PP-GCN)的细粒度社会事件分类模型。我们提出了一个基于知识元路径的社会事件相似度(KIES)的事件之间,并建立一个加权邻接矩阵作为PP-GCN模型的输入。在真实的数据汇集上进行了全面的实验,以比较各种社会事件检测和聚类任务。实验结果表明,我们提出的框架优于其他替代的社会事件分类技术。
2019-06-09 cs.CL cs.SI stat.ML
Fixed-Points of Social Choice: An Axiomatic Approach to Network Communities
我们提供了第一个社会选择理论的方法来解决什么构成社会网络中的社区的问题。受社会选择理论中经典偏好模型的启发,我们从一个抽象的社会网络框架开始,称为偏好网络;这些网络由一组有限的成员组成,其中每个成员都有一个集合中所有成员的总排名偏好。在这个框架内,我们开发了两种互补的方法来公理化地研究社区的形成和结构。(1)我们应用社会选择理论,并间接地定义社区的假设,他们是一个偏好聚集函数的不动点服从某些理想的公理。(2)我们直接假设理想的公理社区没有参考偏好聚合,导致八个自然的社区公理。这些方法使我们能够制定和分析社区规则。我们证明了一个分类定理,提供了一个结构表征的家庭的社区规则,满足所有八个公理。结构实际上相当漂亮:这些社区规则在自然的交集和并集操作下形成了一个有界格。我们的结构定理补充了一个复杂的结果:而确定一个社区的最有选择性的规则的格是在P,决定一个子集是否是一个社区的最全面的规则的格是coNP-完全的。我们的研究还揭示了仅基于偏好聚合定义社区规则的局限性:任何满足阿罗IIA公理的聚合函数,或基于常用的聚合方案,如Borda计数或其推广,导致社区违反至少一个我们的社区公理。最后,我们给出了一个多项式时间规则,它与七个公理一致,弱满足第八个公理。
2014-10-20 cs.CC cs.DS cs.GT
Classification of Message Spreading in a Heterogeneous Social Network
LARODEC, University of Tunis(突尼斯大学LARODEC实验室);IRISA, University of Rennes 1(雷恩第一大学IRISA研究所)
如今,Twitter、Facebook和LinkedIn等社交网络越来越受欢迎。事实上,他们引入了新的习惯,新的沟通方式,他们每天都收集不同来源的信息。现有的研究大多集中在分析同质社交网络,即网络中只有单一类型的节点和链接。然而,在现实世界中,社交网络提供了几种类型的节点和链接。因此,为了保存尽可能多的信息,重要的是要考虑社会网络的异质性和不确定性。本文的目标是根据社会信息在网络中的传播情况和信任函数理论对社会信息进行分类。建议的分类器解释了网络上的消息传播,交叉路径和链接类型。我们在从Twitter收集的真实词网络上测试了我们的分类器,我们的实验显示了我们的信念分类器的性能。
2015-01-22 cs.AI cs.SI physics.soc-ph
A Heterogeneous Graphical Model to Understand User-Level Sentiments in Social Media
Carnegie Mellon University(卡内基梅隆大学)
社交媒体在过去十年中取得了巨大的增长,并继续快速增长。随着这种采用,它正日益成为意见挖掘和情感分析的丰富数据来源。因此,社交媒体中情感的检测和分析是一个有价值的课题,吸引了大量的研究工作。大多数早期的努力集中在监督学习方法来解决这个问题,这需要昂贵的人工注释,因此限制了它们的实际应用。在我们的工作中,我们提出了一个半监督的方法来预测用户级的情绪为特定的主题。我们定义和利用一个异构的图形,建立从社交网络的用户与知识,连接用户在社交网络通常共享类似的情绪。与以前的作品相比,我们有几个新颖之处:(1)我们将用户的影响力/权威性纳入模型,2)我们包括基于评论和基于喜欢的用户-用户链接到图,3)我们将多个异构图合并为一个,从而允许两个用户之间存在多种类型的链接。
2019-12-17 cs.CL cs.IR cs.LG
HENIN: Learning Heterogeneous Neural Interaction Networks for Explainable Cyberbullying Detection on Social Media
Institute of Data Science(数据科学研究所);National Cheng Kung University(国立成功大学)
在网络欺凌的计算检测中,现有的工作主要集中在构建通用分类器,这些分类器完全依赖于社交媒体会话的文本分析。尽管他们的实证成功,我们认为,一个关键的缺失部分是模型的可解释性,即,为什么特定的媒体会话被检测为网络欺凌。因此,在本文中,我们提出了一种新的深度模型,异构神经交互网络(HENIN),用于可解释的网络欺凌检测。HENIN包含以下组件:评论编码器,评论后共同关注子网络,会话会话和后后交互提取器。在真实数据集上进行的大量实验不仅展示了HENIN的良好性能,而且还突出了证据性评论,以便人们可以理解为什么媒体会话被识别为网络欺凌。
2020-10-09 cs.AI cs.CL cs.SI
A Heterogeneous Multimodal Graph Learning Framework for Recognizing User Emotions in Social Networks
College of Information Sciences and Technology(信息科学与技术学院);The Pennsylvania State University(宾夕法尼亚州立大学)
针对社交网络用户情绪预测研究不足、缺乏深度学习方法的问题,提出异质多模态图学习框架HMG-Emo,含动态上下文融合模块,性能优于现有基线,是首个该领域多模态深度学习方法。
2025-01-13 cs.CL cs.CV cs.SI
Linking Heterogeneous Data with Coordinated Agent Flows for Social Media Analysis
Zhejiang University(浙江大学);Department of Communication, Michigan State University(密歇根州立大学通讯系)
本研究提出LLM智能体系统SIA,通过协调智能体流关联社交媒体异构多模态数据,采用阶段同步策略挖掘洞见,经评估可发现多样有意义的洞见,为社交媒体分析提供新方法。
2026-07-31 cs.AI cs.HC cs.SI
Community Detection for Heterogeneous Multiple Social Networks
School of Computer Science and Technology, China University of Mining and Technology(中国矿业大学计算机科学与技术学院);College of Computer and Information Engineering, Nanjing Tech University(南京工业大学计算机与信息工程学院);School of Cyber Science and Engineering, Southeast University(东南大学网络空间科学与工程学院);Purple Mountain Laboratories(紫金山实验室)
针对异构多社交网络中的跨网社区检测问题,提出基于非负矩阵三因子分解、共识矩阵与重叠用户对齐矩阵的方法,并在多平台数据集上验证其社区质量与融合优势。
2024-05-07 cs.AI cs.CY cs.SI
Tripartite Heterogeneous Graph Propagation for Large-scale Social Recommendation
Clova AI Research, NAVER Corp.(NAVER公司Clova人工智能研究院);Search Solution Inc.(搜索解决方案公司);LINE Plus Corp.(LINE Plus公司)
图神经网络(GNNs)已经成为一种很有前途的关系表示方法,包括推荐系统。然而,社交图的各种挑战性问题阻碍了GNN用于社交推荐的实际使用,例如它们复杂的噪声连接和高度异质性。GNN的过度平滑也是基于GNN的社交推荐的障碍。在这里,我们提出了一个新的图嵌入方法异构图传播(HGP)来解决这些问题。HGP使用组-用户-项目三方图作为输入,以减少社交图中的边的数量和路径的复杂性。为了解决过度平滑的问题,HGP在个性化的基于PageRank的传播方案下嵌入节点,分别用于组用户图和用户项图。使用注意力机制来集成来自每个图的节点嵌入。我们在一个由1,645,279个节点和4,711,208条边组成的大规模真实世界数据集上评估我们的HGP。实验结果表明,HGP在AUC和F1评分指标方面优于几个基线。
2019-07-24 cs.IR cs.LG cs.SI