本文研究关系人物之间的情感极性特征，并提出结构化预测和聚类方法来解决该问题，在语言和语义特征的基础上，通过社交网络结构来提高模型性能。作者在维基百科电影概要数据集上验证了模型的优越性。

Dec, 2015

本文提出了神经网络来学习和联合预测人物之间的互动关系及其涉及的角色，利用视觉和对话提示，通过多模态架构从中提取有意义的信息，并在 MovieGraphs 数据集上进行评估。

Mar, 2020

本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

研究角色是计算上表示和解释叙述性文本的关键，本文通过提出一个半监督框架来从全面和部分标记的数据中学习动态发展的角色关系，使用 Markovian 模型来积累历史信仰，结合语言和语义功能特征来研究叙述的文本内容，实验证明此框架优于基准模型。

Nov, 2015

介绍了一种新的非参数贝叶斯潜变量模型，该模型明确捕捉了异常交互计数之间的相关性，并利用这些共享的偏差从正常活动模式中识别和表征多边关系。通过使用新近策划的全球事件位置与语气数据库，显示了该模型的能力，并在研究结果中指出多边关系对应于重大国际事件和长期国际关系，因此建议在数据驱动的交互网络分析中应用该模型。

Nov, 2013

采用自然语言处理、图论、派系分析和语义关系等方法进行重要政治事件的提前预测，通过对新闻数据中隐藏的预测信号进行挖掘，我们的方法在美国抗议、乌克兰战争和法国抗议等 11 个事件上表现出了比基准方法更早和更准确的预测能力。

Mar, 2024

本文通过使用新颖的神经体系结构捕捉单个电子邮件内的权力表现，并以保持顺序的方式进行汇总，以推断电子邮件主题中参与者之间权力方向，从而实现了自动化预测社会互动中的权力关系。在此任务中，我们获得了 80.4％的准确率，较先前研究高出 10.1％。此外，我们还将该模型应用于基于他们之间交换的整个消息集来预测个体之间的权力关系的任务上，此时我们的模型也明显优于使用先前的技术，以获得 83.0％的准确性。

Jul, 2018

本文提出一个基于知识图谱的图推理模型，通过消息传播和图注意力机制，将外部信息有效地整合到深度神经网络中，提高社交关系识别准确性。试验结果表明，该模型在公共基准测试中优于目前领先的竞争对手。

Jul, 2018

本研究使用了 15 种基本物质和社会关系对最近的文本引导图像生成模型 DALL-E2 进行了系统的经验性考察，发现只有大约 22％的图像与基本关系提示匹配。研究结果表明，当前的图像生成模型尚未掌握涉及简单对象和代理人的基本关系，本文从认知和计算两个角度，提出可能的改进方向。

Jul, 2022

研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

Sep, 2011