关注微信公众号：【人工智能前沿讲习】，回复【SFFAI62】获取讲者PPT资料，入交流群，推荐论文下载。
当前大多数的人际社交都已转移到网络上进行，人们通过各类网络社交平台相互进行联结、交流与合作，线上社交网络中也蕴含着重要的社会学意义和商业价值。而在社交网络分析中，一项经常被忽略的方面就是联结的断开或取消，这是社交关系中关键的一环。本期我们邀请到了清华大学的吴昊哲同学，分享他在AAAI2020发表的一篇工作，关注的就是社交网络中关系结束的分析与预测。
讲者介绍
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。
论文推荐
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。
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。
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。