高阶网络中的社交影响力预测

高阶网络中的社交影响力预测

Prediction of social influence in higher-order networks

https://www.sciencedirect.com/science/article/abs/pii/S002002552600006X

亮点

• 我们整合多类型社交网络以全面建模社会影响。

• 我们提出了一个用于社会影响预测的端到端框架。

• 我们开发了 HHGCN 模型以捕捉高阶和层次模式。

• 我们在合成网络和真实世界网络上验证了 HHGCN 的有效性。

摘要

社会影响在理解集体决策方面起着至关重要的作用，因为个体很容易观察并受到其朋友行为的影响。准确预测个体层面的社会影响对于包括政治传播和营销在内的各种应用至关重要。图神经网络（GNNs）已被广泛用于建模社会影响。然而，现有工作往往忽视了高阶交互和层次结构。它也难以有效处理社交网络的多类型特性。在本研究中，我们提出了一个框架，以端到端的方式学习用户的潜在特征表示，以预测社会影响。该框架的一个关键组成部分是一种新颖的几何深度学习范式，即双曲超图卷积网络（HHGCN），它结合了多空间建模和高阶关系学习，以更精确地量化社会影响。具体而言，我们设计了一种学习拓扑特征并捕捉群体级环境特征的方法，然后将包含关注和转发关系的多类型社交网络转换为统一的超图。利用双曲空间和双曲超图操作，我们的模型提取潜在的预测信号。在八个社交网络数据集上的实验表明，HHGCN 在 ACC、AUC 和 F1 指标上优于主流 GNNs，验证了双曲几何对于层次结构的优势以及超图对于高阶交互的优势。

引言

社会影响，定义为塑造他人思想或行为的能力，在现实世界和虚拟社交网络中普遍存在。从日常娱乐选择到职业决策，个人行为不断受到家人、朋友甚至公众的影响。随着互联网的快速扩张和移动设备的日益普及，社会影响在各个领域产生了重大影响，例如总统选举 [1]、广告 [2] 和产品推广 [3]。因此，理解和量化社会影响的机制对于揭示社会中的决策过程至关重要。例如，在社交媒体平台上，用户通常关注他们的朋友和其他感兴趣的用户。这些社交链接使用户接触到其关注者的推文和转发，可能促使诸如转发或点赞之类的互动。这需要开发系统性的方法来表示其潜在机制和动态变化，从而实现社会影响的精确建模和量化。

1 引言

作为社会影响的具体形式，个体通过群体环境的显性影响和通过观察同伴行为的隐性影响来改变其行为 [4]。在先前的研究中，社会影响一直使用手工设计特征进行量化，并应用于用户行为预测。例如，Tang 等人 [5] 探索了用户关注网络的结构以区分邻居和社区，量化了从众行为，并将其应用于转发行为预测。Jiang 等人 [6] 通过结合消息传播和互动活动等指标来量化社会影响，以反映社会环境对用户的影响。然而，这些方法主要使用线性策略，限制了它们捕捉复杂用户交互的能力。随着神经网络的发展，深度学习已开始应用于社会影响分析 [7], [8], [9], [10]。其中，图神经网络（GNNs）在处理结构化网络数据方面展示了强大的能力，促使研究人员对用户局部影响进行探索性研究。例如，Qiu 等人 [11] 采用 GNNs 对用户社交环境进行建模，并利用注意力机制量化组成员对目标用户的影响以进行转发行为预测。Wang 等人 [12] 使用图注意力网络（GATs）[13] 和网络表示学习来捕捉社会群体结构并改善行为预测。所有上述基于 GNN 的社会影响研究都取得了比传统模型更好的性能。然而，现有研究仍然存在局限性。首先，现实世界的社交网络通常是异质的，涉及复杂的高阶依赖关系，现有模型尚未完全捕捉到这种复杂性。其次，社会结构的层次性往往超出欧几里得空间的表达能力，导致嵌入过程中潜在的失真和信息丢失。最后，传统图模型仅限于成对关系，而实际的社会互动经常涉及群体行为，需要高阶图表示来捕捉这些复杂模式。

社交网络通常遵循幂律度分布并表现出层次组织，其中有限的一组节点作为高度连接的枢纽，而大多数节点保持少量连接。这种树状模式很难在欧几里得空间中无失真地嵌入，而具有负曲率的双曲空间可以用低得多的失真保留这些结构，使其非常适合建模复杂社交网络。此外，超图可以直观地表示多类型社交网络中的高阶交互，其中此类交互指涉及两个以上用户同时参与的群体行为，增强了模型捕捉复杂社会影响的能力。例如，在转发行为中，目标用户可能既受到多个关注者的个体影响，也受到来自从众效应的群体影响，普通图无法表示这一点，但可以通过超边自然建模。为超图采用双曲几何提供了一个有前景的解决方案，增强了社会影响预测的性能。然而，这种方法仍然遇到几个挑战：(1) 多类型社交网络数据的高阶表示：社交网络数据涉及各种交互模式，传统图结构无法捕捉高阶用户交互模式。(2) 缺乏针对双曲空间优化的图卷积模型：现有 GNNs 主要针对欧几里得空间设计，关于如何有效地将它们适应双曲空间的系统研究仍然缺乏。(3) 图卷积的双曲空间适应：在双曲空间中应用图卷积需要修改特征变换、邻域聚合和非线性激活操作，以适应双曲几何的特征。

在本研究中，我们开发了一个预测社会影响的框架，并提出作为框架一部分的一种新颖图神经网络，称为双曲超图卷积网络（HHGCN），它集成了双曲空间的建模能力以适应各种社交网络结构并增强模型的表达能力。我们的目标是量化用户所属群体环境对其行为的影响以进行转发行为预测。具体而言，我们在潜在空间中表示网络结构和群体环境。为了预测用户的社会行动状态，我们将多类型社交网络转换为统一的超图，并利用双曲空间和双曲超图操作来学习潜在预测信号。实验结果表明，在无标度图上的社会影响预测任务中，HHGCN 在关键性能指标（包括 ACC、AUC 和 F1）上优于主流 GNNs。

本文的主要贡献总结如下：

1. 我们引入了一种端到端建模框架，能够自动发现社会影响中的潜在传播模式。与带有特征工程的传统方法相比，该框架以数据驱动的方式自适应地学习社交网络的隐式表示。
2. 我们提出了 HHGCN，一种新颖的双曲超图卷积网络，它在双曲空间中学习有效的超图表示。通过构建超图来捕捉高阶数据相关性并应用双曲超图操作，HHGCN 有效地增强了表示质量和建模能力。
3. 我们在八个社交网络数据集上进行了大规模实验，并与最先进的 GNN 模型进行了比较。实验结果表明，HHGCN 在处理多类型社交网络和层次数据方面表现出色，这证实了其有效性。

以下部分组织如下。第 2 节介绍了与社会影响、图神经网络和双曲空间相关的研究。第 3 节定义了预测社会影响的任务。第 4 节提供了我们提出的框架的详细描述。第 5 节介绍了实验中使用的基线和评估指标，并讨论了实验结果。第 6 节提供结论性陈述。

章节片段 相关工作 在本节中，我们概述了关于社会影响分析、图神经网络和双曲空间的研究。

网络定义 用户关注他人以了解其社交活动和实时行为的最新动态。当用户遇到某些内容时，其直接环境的影响可能促使他们与之互动，例如转发或点赞。为了量化群体环境对用户行为的影响，我们首先介绍与网络相关的必要定义。

提出的框架

如图 1 所示，所提出的框架包含三个主要组成部分：(1) 数据和节点特征生成，(2) 双曲超图训练，以及 (3) 社会影响预测。每个元素将在以下部分详细说明。

实验

在本节中，我们描述实验配置，然后将所提出的框架与七种基线方法进行比较，以定量评估所提出的神经网络 HHGCN 的性能。此外，我们进行了一项消融研究，以验证框架中每个独立组件的有效性。

结论

在本文中，我们研究社会行动预测，这是一个旨在评估施加于目标用户的群体影响并预测用户转发行为的重要问题。我们介绍了一个基于新颖图神经网络架构 HHGCN 的端到端框架，旨在捕捉社会影响的预测信号。我们首先专注于学习拓扑特征并捕捉群体环境的特征以建模社会影响结构。

。。。。。。。。