SDGNN: Learning Node Representation for Signed Directed Networks

要約

ネットワーク埋め込みは、ネットワーク内のノードを低次元ベクトル表現にマッピングすることを目的としています。
グラフ ニューラル ネットワーク (GNN) は広く注目されており、ノード表現の学習において最先端のパフォーマンスを実現しています。
ただし、ほとんどの GNN は、正のリンクのみが存在する署名のないネットワークでのみ機能します。
これらのモデルを、現実の世界で広く観察されているがあまり研究されていない署名付き有向ネットワークに転送することは簡単ではありません。
この論文では、最初に2つの基本的な社会学的理論（つまり、ステータス理論とバランス理論）をレビューし、現実世界のデータセットに関する実証的研究を実施して、署名された有向ネットワークの社会的メカニズムを分析します。
関連する社会学的理論に導かれて、署名付き有向ネットワークのノード埋め込みを学習するために、SDGNN という名前の新しい署名付き有向グラフ ニューラル ネットワーク モデルを提案します。
提案されたモデルは、リンク標識、リンク方向、および署名付き有向三角形を同時に再構築します。
署名付きネットワーク埋め込みのベンチマークとして一般的に使用される 5 つの実世界のデータセットでモデルの有効性を検証します。
実験は、提案されたモデルが、機能ベースの方法、ネットワーク埋め込み方法、およびいくつかの GNN 方法を含む既存のモデルよりも優れていることを示しています。

要約(オリジナル)

Network embedding is aimed at mapping nodes in a network into low-dimensional vector representations. Graph Neural Networks (GNNs) have received widespread attention and lead to state-of-the-art performance in learning node representations. However, most GNNs only work in unsigned networks, where only positive links exist. It is not trivial to transfer these models to signed directed networks, which are widely observed in the real world yet less studied. In this paper, we first review two fundamental sociological theories (i.e., status theory and balance theory) and conduct empirical studies on real-world datasets to analyze the social mechanism in signed directed networks. Guided by related sociological theories, we propose a novel Signed Directed Graph Neural Networks model named SDGNN to learn node embeddings for signed directed networks. The proposed model simultaneously reconstructs link signs, link directions, and signed directed triangles. We validate our model’s effectiveness on five real-world datasets, which are commonly used as the benchmark for signed network embedding. Experiments demonstrate the proposed model outperforms existing models, including feature-based methods, network embedding methods, and several GNN methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google