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

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

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

本文综述了社交媒体中的正负网络挖掘，涵盖了基本概念和原则、挖掘任务分类和代表性算法，并提出了未被广泛研究的任务和拓展研究方向。

Nov, 2015

分析了现有的谱聚类扩展，发现现有方法在某些情况下不能恢复基础聚类，提出使用正负部分拉普拉斯矩阵的几何平均值可以超越现有方法并且可以高效计算。

Jan, 2017

研究在线社交网络中的正负关系，发现结构平衡理论有时难以解释网络的演变，提出了状态理论来更好地说明观察到的边缘符号并提供了有关潜在社会机制的见解。

Mar, 2010

本文研究在线社交网络中存在的正面和负面关系，并通过 Epinions、Slashdot 和 Wikipedia 等数据集证明可以高准确度地预测社交网络中链接的符号，这些预测模型跨越不同类型的在线社交网络具有普适性，有助于理解社交心理学中平衡和地位理论的基本原则，并能够预测用户的态度和周围人际关系的证据。

Mar, 2010

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

该研究在 Signed Networks 领域提出了两种基于弱平衡和强平衡的平衡度量，用于比较实际 Signed Networks 与理论建模的差异，并测试了使用平衡度量进行预测未知符号的能力。研究表明，这些度量能够较好地预测未知符号。

Sep, 2018