黄俊杰：中国科学院计算技术研究所在读硕士，主要研究方向社会计算和图神经网络。
报告题目：正负符号图注意力网络
报告摘要：网络数据在现实世界中无处不在，包括社交网络，信息网络，交通网络，生物网络等。网络数据的非欧性质对建模和分析图数据提出了挑战。最近，图神经网络（GNN）作为处理图数据任务通用且功能强大的框架，在许多任务例如节点嵌入，链接预测和节点分类等任务上取得了巨大成功。作为GNN的代表性实现，图注意力网络（GAT）已成功应用于实际数据集的各种任务中。但是，GAT设计为仅具有正向连边的网络，无法处理包含正向和负向的符号网络。在本文中，我们提出了正负符号图注意力网络（SiGAT），将GAT推广到符号网络中。SiGAT将图模态(graph motifs)整合到GAT中，以捕获正负网络研究中的两个著名社会学理论，即平衡理论和地位理论。在SiGAT中，模态（motif）为我们提供了灵活的结构模式，可在正负符号网络上聚合和传播消息以生成节点嵌入。我们通过将其应用于连边符号预测任务来评估所提出的SiGAT方法。在三个真实数据集上的实验结果表明，SiGAT优于基于特征的方法，网络嵌入方法和基于最新的GNN的方法（如符号卷积网络（SGCN））。
Spotlight：
分析了在正负符号网络中的关键社会学理论（平衡理论和身份理论）；
使用motif来刻画上述的两个社会学理论，结合GNN框架提出正负符号图注意力网络（SiGAT）。
1. Predicting Positive and Negative Links in Online Social Networks
推荐理由：这是一篇比较早关注到社交网络中的正负符号关系的论文，其提出了一个机器学习方法对连边关系的符号进行预测。在当前深度学习火热的背景下，一些过去的经典论文对于启发模型设计很有帮助。
2. Signed Network Embedding in Social Media
推荐理由：这篇文章时间上来看不是最早的正负符号网络的表示学习论文，但其在建模正负符号网络的时候，关注到正负符号网络中的结构平衡理论，并对其进行建模，是正负符号网络领域的重要的基线方法。
3. Inductive Representation Learning on Large Graphs
推荐理由：这是一篇非常经典的GNN的论文，很容易在文章中看到图神经网络中空间方法的消息传播框架的身影。相比GCN，其方法简洁明了，易于实现的同时也易于扩展到大规模的网络建模中，是图神经网络学习中空间方法的重要代表。
4. Signed Graph Convolutional Network
推荐理由：正负符号图卷积神经网络，是图神经网络应用到正负符号网络的第一个工作
