【KDD 2020 Oral】 TIMME: 应用于推特用户意识形态分类的多任务多关系嵌入模型

摘要：社交网络上的意识形态分类任务有很广阔的应用场景，也面临着一些挑战。本文从推特获取了数据，并拟用图嵌入模型解决此问题。主流的图嵌入模型研究仅关注规模小而稀疏，并且标签丰富的数据集，比如学术网络数据。而在真实应用场景中，存在规模更大且连接稠密，但是标签稀疏的数据，比如社交网络数据。这种大而稠密的数据使得主流嵌入模型效率很低，并且非常容易产生过拟合现象。另外，真实数据具有不完全性和异质性的特点，给图嵌入模型带来极大的挑战。能够解决此类问题的模型，理论上可以推广到任意的真实社交网络数据。本文提出了一种多任务多关系的嵌入模型，利用多种关系类型作为补充来处理规模大而标签稀疏的图数据，进一步提出了可以使得本模型能在特征缺失的情况下使用不完整的特征进行学习的方法。针对规模大而关系异质的问题，本文首先采用多关系的图卷积网络对特征进行编码；同时为了解决缺失特征的问题，当特征不完整时，将缺失部分的特征视作可训练的参数。然后采用多任务解码器，让多个任务互相协助，从而解决标签稀疏的问题。作者采集整理了真实的推特数据并且进行了意识形态分类，实验表明TIMME模型优于其他最先进的模型。

本文的代码和数据都已经公布，欢迎读者推广应用于其他真实社交网络数据的用户分类问题。