13、社交关系提取的网络嵌入技术：TransNet算法详解

社交关系提取的网络嵌入技术：TransNet算法详解

1. 背景与概述

在传统的网络嵌入（NE）模型中，通常简单地将每条边视为二进制或连续值来学习低维节点表示。然而，边包含着丰富的语义信息，顶点之间的交互往往具有独特的含义，而这些信息大多被现有模型所忽略。

社交关系提取（SRE）旨在对社交网络中的社会关系进行建模和预测，它与知识图谱（KG）中的关系提取任务类似，但存在明显差异。在KG中，关系类别通常是预先定义好的，并且关系事实经过人工精确标注；而在SRE中，社交网络顶点之间的关系是潜在的，通常隐藏在它们的交互文本中，且往往需要多个关系标签来表示复杂的关系。

现有的网络表示学习（NRL）和知识表示学习（KRL）方法无法很好地解决SRE问题。传统NRL模型在学习节点表示时忽略了边上的丰富语义信息，而典型的KRL模型如TransE仅在两个实体之间的关系被明确标注为单一标签时表现良好。为了解决这些问题，提出了一种基于翻译的新型NRL模型TransNet，将边上的多个关系标签纳入NRL中。

2. TransNet算法详解

2.1 问题形式化

SRE的目标是根据社交网络的整体结构和部分标注的边，预测未标注边的标签。假设存在一个社交网络 $G = (V, E)$，其中 $V$ 是顶点集，$E \subseteq (V \times V)$ 是顶点之间的边集，$E$ 中的部分边被标注，记为 $E_L$。对于每条标注边 $e \in E_L$，其标签集记为 $l = {t_1, t_2, \cdots}$，每个标签 $t \in l$ 来自一个固定的标签词汇表 $T$。SRE的任务就是预测未标注边集 $E_U = E - E_L$