本研究使用深度学习网络嵌入方法，在保持结构平衡的前提下，学习有符号网络中的低维节点向量表示，并实现签名网络中的连接符号预测和社区探测。

Jan, 2019

本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。

Jan, 2021

本研究提出了一种名为 SNE 的网络嵌入模型，用于处理有正负权边的网络，并且在节点分类和边预测中与其他四种嵌入方法进行了比较。实验结果表明该模型的有效性。

Mar, 2017

本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

Aug, 2018

通过设计无偏分割极化度量并提出了极化嵌入方法 POLE，结合拓扑和符号相似性，在社交媒体中对负面链接进行签名网络机器学习预测。

Oct, 2021

本文提出了一种不依赖社会假设的学习有向带符号图中解耦节点表示的方法 DINES，采用解耦框架来将每个嵌入分解成不同因素，以捕捉多个潜在因素，并通过轻量级图卷积以及有效的边符号分类解码器来提高模型表达能力，实验证明 DINES 在有向带符号图中有效地学习了解耦节点表示，并在符号预测任务中显著优于其竞争对手。

Jul, 2023

本研究探讨了有符号网络，基于社交平衡理论构建了针对符号预测和聚类的方法，实验结果表明，将社交平衡理论的全局观点引入可以提高对有符号网络的预测和聚类效果。

Feb, 2013

本文研究在线社交网络中的情感链接识别问题，提出了一种基于异构网络嵌入的新型框架 SHINE，能够从与用户有关的文本、社交关系以及用户个人信息多方面进行分析，从而预测隐藏在社交网络中的情感关系。实验结果表明，所提出的方法在网络关系预测及节点推荐方面优于当前的先进算法，并且也能够很好地应用于「零样本」情况。

Dec, 2017

本文中，我们提出了基于图注意力网络（GAT）的正负权网络的通用求解器 - Signed Graph Attention Network（SiGAT）。SiGAT 结合了图图形理论，将常规 GAT 表示和处理有正权重和无权重的网络扩展到对于有正权重和负权重都包含的网络。实验结果表明，SiGAT 在三个真实数据集上的表现优于基于特征和网络嵌入方法，以及现有的基于 GNN 的方法，如带符号图卷积网络（SGCN）。

Jun, 2019

本文提出一种基于离散特征值问题的谱算法，以发现有极性社群的有符号网络中两个极化社群，证明所提出的问题是 NP-hard 的，同时在真实世界现象的情况下验证了算法的有效性并证明其比非平凡基线更好、更快、能够扩展到更大的网络。

Oct, 2019