1.【KDD2021】Signed Graph Neural Network with Latent Groups
地址：https://zw-zhang.github.io/files/2021_KDD_GSGNN.pdf
代码：https://github.com/haoxin1998/GS-GNN
导读：文章来自清华大学崔鹏老师研究组。文章的研究问题是符号图表示学习，过去的符号图表示学习着力于结构平衡理论的刻画， 但平衡理论被证明等价于一个简单的假设，无法对符号图的结构进行有效建模。
为了解决针对这个问题，文章提出了组符号图神经网络 (GSGNN) 模型，用于符号图表示学习超越平衡理论假设。 GS-GNN 具有双重 GNN 架构由 global 和 local 模块组成。在全局模块中，节点可以被划分成多个潜在组，并且这些组可以有任意的关系并提出一种新的 GNN 来学习节点表示。在本地模块中，给模型足够的灵活性来模拟其他因素。两个模块可以相互补充。文章在多个数据集上表现出SOTA的效果。
2. 【CIKM2021】Signed Bipartite Graph Neural Networks
地址：https://arxiv.org/abs/2108.09638
代码：https://github.com/huangjunjie-cs/SBGNN
导读：文章来自于中科院计算所沈华伟老师研究组，文章研究的对象是二分符号图，常见的二分符号图的应用场景包括：商品评价，国会投票和同行评议等。
文章首先提出了两个不同视角衡量文章的平衡性。然后结合两个不同的视角提出了二分符号图神经网络模型（SBGNN），SBGNN设计了新的消息聚合函数和更新函数，用于学习二分符号图节点的表示。文章在多个数据集上进行连边符号预测实验，并且取得了最优的效果。
最值得一提的是文章的一个有趣发现：许多计算机顶级会议包括一个rebuttal过程（作者提交回复，审稿人修改评分），rebuttal后审稿人的负面意见反而提升，rebuttal并不能保证作者的论文提分，但审稿人的平衡性也进一步提升。
3.【arXiv】SiReN: Sign-Aware Recommendation Using Graph Neural Networks
地址：https://arxiv.org/abs/2108.08735
代码：https://github.com/woni-seo/SiReN-reco
导读：文章着力于基于图神经网络的推荐系统，认为过去的方法主要集中在仅利用具有用户-项目积极交互信息。因此，如何利用低评分来表示用户的偏好是一个挑战，因为低评分在设计基于 NE 的推荐系统时仍然可以提供有价值的信息。文章提出了一种基于 GNN 模型的新的符号感知推荐系统（SiReN）。具体来说，SiReN 具有三个关键组件：1) 构建符号二分图 2) 通过GNN和MLP学习相应表示，使用注意力模型获得最终表示 3) 在此过程中建立符号感知BPR损失函数。通过综合实验，SiReN优于最先进的 NE 辅助推荐方法。
3. POLE: Polarized Embedding for Signed Networks
地址：https://arxiv.org/abs/2110.09899
代码：https://github.com/zexihuang/POLE
导读：当前社交网络上的假消息和负面情绪问题日益突出。许多人已经将当今社会分化严重的原因归咎于社交媒体。而符号网络机器学习的最新进展有望指导小的干预措施，以减少两极分化的社交媒体。然而，现有模型在预测用户之间的冲突（或负面链接）表现不佳。这是因为链接符号和网络结构之间有很强的相关性，两极分化社区之间的负面联系太少。为了解决这个问题，文章首先设计了一个分区不可知的极化度量，对于基于有符号随机游走的有符号图，表明许多现实世界的图是高度极化的。进而文章提出POLE（带符号网络的极化嵌入），一种用于极化图的带符号嵌入方法，它同时捕获拓扑和符号相似性。大量实验表明 POLE 明显优于符号链接预测中的SOTA。
评论
沙发等你来抢