麻豆

（图文|张恬宁 编辑|辛西 审核|张泽宇）近日，人工智能领域二区TOP期刊《Neurocomputing》接收了我院数据科学与大数据专业2023级本科生张恬宁的研究论文，该论文题为SSEFormer: A Sign-Sensitive Transformer with Semantic Fusion for Link Sign Prediction，围绕符号图中的语义不一致与负边信息建模问题展开研究。

随着社交媒体与推荐系统的快速发展，用户之间不仅存在“信任”“点赞”等正向关系，也存在“不信任”“对立”等负向关系。如何准确建模复杂的正负关系，已成为图神经网络与可信人工智能领域的重要研究问题。然而，传统方法通常仅依赖评分信息构建符号图，容易受到语义歧义与噪声数据影响，从而降低模型预测性能。

针对上述问题，论文提出一种融合语义信息与图结构信息的符号图Transformer模型SSEFormer。该方法通过引入评论文本语义分析机制，对评分信息进行语义校正。同时，论文从理论层面分析并证明了传统Transformer在符号图传播过程中存在负边信息易被正边信息掩盖的问题，从而导致模型对符号关系的表达能力受限。基于上述理论分析，研究进一步设计了符号感知注意力掩码机制，以增强模型对正负关系的区分能力，为符号图Transformer模型设计提供了新的理论依据。实验结果表明，该模型在Trustpilot、Amazon-Music等多个真实数据集上均取得优于现有方法的性能表现，在复杂语义场景下展现出较强鲁棒性与可解释性。

麻豆 张泽宇副教授为论文通讯作者。麻豆 2024级硕士研究生李璐为共同第一作者（排第二），2022级本科生刘佳乐、王潇桦参与研究。植科院王茂军教授参与课题指导。

原文链接：SSEFormer:A sign-sensitive transformer with semantic fusion for link sign prediction