【论文总结】Aligning users across social networks using network embedding

Aligning users across social networks using network embedding

研究目标：
使用network embedding 方法实现跨社交网络用户对齐

模型描述：
使用网络表示学习中的网络嵌入模型分别将用户的关注与被关注关系作为输入、输出上下文向量。我们称为IONE模型。模型可以保存用户在嵌入空间的相似度。

将已知和潜在的锚定用户作为模型的硬约束和软约束。将所有因素加入目标函数同时实现网络嵌入学习和用户对齐。

模型框架：
1、input-output network embedding：
我们将一个节点的父节点作为它的输入上下文，子节点作为输出上下文，因此，一个节点用三个节点向量来表示{ui，ui’，ui’’}，如图

为了学习网络嵌入，对于每条边（vi,vj）,vi作为输入节点相比于其他节点产生vj的概率为：

vj作为输出节点相比于其他节点产生vi的概率为：

p1和p2的经验对应分别为：

din 与dout类似。

通过最小化p1与p1的经验对应之间的KL距离，p2与p2的经验对应之间的KL距离，可以推得IONE模型。

2、多网络嵌入对齐：
给定两个网络X和Y，我们定义锚定节点为在一个网络X中的节点知道另一个节点在网络Y中的特定联系，就是已知两个节点属于同一个人。

该模型要实现两个目标：
目标1：两个网络中节点的结构相似度在网络嵌入中也要表现的尽可能相似
目标2：锚定节点在嵌入空间的中的表示要相符，在嵌入空间中相近的节点可以认为是网络对齐中好的候选者。

为了实现目标1，我们最小化P1P2和它们的经验对应的KL距离，并将Vi作为输入节点产生Vj的重要性权重定义为λi，out，则目标函数为：

通过将λout作为节点vi的出度dout，λin作为vj的入度din，可将目标函数改写为：

为了实现目标2，我们定义

为viX和vkY是被预训练分类器预测出来的属于同一个用户。对于锚定节点，我们设Pa=1。

对于非锚定节点，pa可看作vkY在网络Y中作为输入上下文产生viX的概率。因此，我们设经验概率

再次最小化p和它的经验分布之间的KL距离，得到目标函数：

跨网络对齐可以通过最小化结合的目标函数O=O1+O2得出，O1保证了相同的输入输出上下文在嵌入空间中靠的更近，O2加入锚定节点强化了两个嵌入（embedding）之间的学习。

模型优化：
我们通过SGD去优化目标函数，其梯度为：

负采样的方法去近似表示上式条件概率P1，

总体算法如下：