基于图表示学习的社交网络群体竞争影响力识别

摘要

群体竞争影响力识别是社交网络分析领域的一个必要研究，其任务是识别社交网络中任意两群体节点在相互竞争条件下的影响力，在舆情分析等实际场景中具有重要意义.在过去的几年里，许多研究集中在没有竞争对手的群体影响力识别.然而，竞争普遍存在于真实的社交网络中，因此研究群体竞争影响力识别任务十分必要.与非竞争场景下的群体影响力识别相比，群体竞争影响力识别存在竞争数据集的构建和群体对嵌入聚合等挑战.图表示学习（GRL）在社交网络分析领域取得了巨大的成功，可以将图结构表示成具有结构信息的低维嵌入，能够更好的反应节点之间的相互作用，提供比传统方法更丰富的信息.本文开创性的使用GRL来解决竞争场景下的群体影响力识别问题，并提出了一个基于GRL的框架.为了解决竞争数据集的构建问题，本文提出了一种基于影响力多样性的群体对构建方法 .为了解决竞争群体对嵌入聚合问题，本文提出了一种基于求和相减的方法来聚合竞争群体对中节点的嵌入.本文在7个真实的社交网络上进行了大量实验来分析所提框架的有效性.实验结果表明所提框架优于基线方法 .

关键词

群体竞争影响力识别 / 社交网络分析 / 深度学习 / 图神经网络