吴昊哲:清华大学计算机系媒体所博士一年级学生,导师为贾珈副教授,主要研究方向为图像、语音、社交网络等多模态数据的情感语义分析,目前已在AAAI与ICASSP会议上发表论文2篇。
报告题目:大规模社交网络中社交关系解除的分析与预测
报告摘要:在新浪微博等社交媒体平台中,取消关注是一种非常普遍的现象。近年来,有关社交网络演化的研究大多聚焦在关系的建立上,如链接预测问题和好友推荐问题。对于社交关系的解除,由于大规模数据的缺失,很少被研究人员关注。在这项工作中,为了系统性的分析和预测社交网络中关系解除的现象,本工作爬取了包含178万个用户和4亿社交关系的新浪微博数据。基于该数据,本文探究了用户的时间属性(微博历史,取消关注历史)与空间属性(社交网络关系)对社交关系解除的影响,并提出了融合异构信息的联合模型(UMHI)。实验表明,我们的方法在所构建的数据集上取得了远高于基线方法的性能。
Spotlight:
构建了一个大规模的记录社交关系解除的数据集,该数据集记录了178万新浪微博用户在一个月内的社交关系动态;
基于构建的数据集,本文探究了时空属性对社交关系解除的影响,并提出了融合异构信息的联合模型。
1. LINE Large-scale Information Network Embedding
推荐理由:这篇论文非常出名,本文提出的社交网络嵌入算法,基于一阶相似度和二阶相似度,快速地优化得到社交网络中每个节点的嵌入,为下游的链接预测等任务提供高效的特征表示。
2. Network Representation Learning with Rich Text Information
推荐理由:本文提出了融合节点属性的网络嵌入算法,该文章基于DeepWalk算法,将节点的属性信息与社交网络信息在矩阵分级的框架下进行融合。该方法在各类节点分类任务上取得了较好的性能。
3. SHINE Signed Heterogeneous Information Network Embedding for Sentiment Link Prediction
推荐理由:这篇论文预测了社交网络中异构节点间的情感链接,例如: 在美国大选中选民对不同候选人的态度。本文构建了一个异构情感数据集,并提出了一个端到端的异构网络嵌入算法(SHINE)预测用户的情感倾向。