34、社交网络与社区线程挖掘的创新方法

社交网络与社区线程挖掘的创新方法

社交网络链接符号预测

在社交网络中，大多数在线社交网络起初只有积极关系，如朋友、利他或信任关系，但这并不能完全表达现实生活中的社交互动。如今，越来越多的社交网络，像 Epinions 和 Slashdot，开始支持积极和消极两种关系，人们可以通过建立链接来表示友谊、认可，或者不信任、敌对，以表达不同意见。

以往的边符号预测主要考虑边的两个端点及其邻居之间的拓扑关系。但实际上，一方面，如果社交网络中的一个用户被大量用户信任或不信任（例如在网上被标记为“朋友”或“敌人”），那么该用户应该是值得信任或不可靠的；另一方面，如果一个用户自己容易相信他人或对他人持怀疑态度，他可能会选择在网上信任或不信任其他用户。

基于这些事实，我们将链接符号预测视为一个带有信任或不信任信息的用户对用户的推荐问题。给定一个社交网络 $G(N, E, S)$，其中 $N$ 是网络用户的集合，每两个用户可以相互标记为“朋友”或“敌人”，形成边集 $E$ 和符号集 $S \in{−1, +1}^{|E|}$。然而，只有部分边被有效标记，其余未知。

为了学习用户的特征，我们进行矩阵分解来分解用户 - 用户标记矩阵。基本思想是根据标记矩阵的分析，找到列用户（作为用户）$U$ 的潜在特征表示和行用户（作为“项目”）$V$ 的表示。与以往推荐研究中推荐矩阵的权重只能为正不同，本文中的权重可以为正或负，以显示用户之间的信任或不信任程度。

我们综合考虑影响预测问题的三个因素：用户自身的喜好、朋友或敌人的影响以及社交心理学中结构平衡和地位理论相关的社交圈子影响。具体定义如下：
- 定义 $N(i)(N(k))$ 为用户 $u_i(u_k)$ 的邻