论文来源：KDD 2017
主要贡献：对带符号的网络学习隐表达（提出了一个无监督的特征选择框架SignedFS，同时用正连接和负连接来获取网络的潜在特征表达，来进行特征提取）
Abstract：
现阶段大量的研究都针对 positive interaction linked的网络，但是现实中的网络存在很多negative link，同时作者指出这些negative link也具有很重要的信息（eg.敌人的敌人是朋友），因此作者提出一种model可以学习带符号的网络中的两类link（positive & negative）的信息，并embedding成为latent representation。
理论依据：
本文的理论依据是，带符号的网络（有positive link 和 negative link的网络）遵守the principle of homophily and balance theory。
(1) the principle of homophily是指具有positive link的users，相对于随机选择的users，更有相似性。(也就是网络中节点的一阶近似，即直接positive相连的nodes是相似的)
(2) balance theory（类似于网络中节点的二阶近似，e.g.朋友的朋友是朋友，敌人的敌人是朋友）
Model的流程：
把有符号的社交网络分成两个子网络，分别从两个子网络获取正连接和负连接矩阵；
然后分三阶段进行，1.计算用户的潜在特征表达，2.特征选择，3.归一化处理。
把有符号的社交网络分成两个子网络，分别从两个子网络学习隐表达 (phase 1 in Figure 3)
这个过程对应的公式，如下：
然后，进行特征选择(phase 2 in Figure 3)，公式如下：（这里第二项是， L1范数，用于稀疏特征）
之后，图正则(phase 3 in Figure 3)，公式如下：
（补充说明：带符号网络中的一阶近似用P1矩阵来表示，二阶近似用P2矩阵表示，并定义P = P1 +θP2，所以下面公式6中的P是结合了一阶近似和二阶近似，用一阶近似矩阵和二阶近似矩阵来构造用户的近似矩阵；另外，公式6定义的是带符号网络的拉普拉斯矩阵，作为一个约束，用于最终的目标函数）
最后，本文的目标函数，如下：
本文也介绍了一些优化方法，但是不是论文的主体，在这里不介绍啦。
实验：
从实验结果可知，第一，只用正连接的效果比只用负连接的好，说明正连接信息比负连接更好；第二，用了两个连接的效果优于负连接的，说明负连接信息在一定程度上是有用的；第三，用了正连接和近似矩阵的效果优于只用正连接，说明用户的近似矩阵有积极作用。综上可以认为负连接和用户的近似性提高算法性能。（来自参考资料）
最后，该论文没有公开代码。
参考资料：
Unsupervised Feature Selection in Signed Social Networks 阅读笔记 - 知乎
https://zhuanlan.zhihu.com/p/30897905
