文章来自:Du X, Yan J, Zha H. Joint Link Prediction and Network Alignment via Cross-graph Embedding[C]//IJCAI. 2019: 2251-2257
主要内容:
文章认为链路预测和网络对齐两个任务存在潜在联系。提出了一个跨网络的嵌入模型。链路预测可以发现图中的潜在边,随着边的丰富,网络对齐方法就能发现更多对齐关系。得到的对齐关系又可以促进链路预测,实现互相增强。
问题描述(Notations and Preliminaries):
网络对齐(Network alignment):对两个网络G=(v,e)和G‘=(v’,e’),求对齐关系
种子节点和种子集合(Seed vertices and seed set):
即预先知道的两个网络的对其关系,这篇论文中一开始没有对齐节点,随着算法会生成对齐节点并不断迭代。
链路预测:预测网络中潜在的边。
方法(The Proposed Method)
1)节点嵌入:
f评价属于不同网络的节点u,v之间的结构相似性,sk(u)是点u的k接邻居的修正度
w(u,v)表示网络间两两节点间的权值,可以得到得到一个新图,新图中两层网络之间的每两个节点之间都由连边,连边的权值为w(u,v),之后使用随机游走的方法进行节点嵌入表示。
在得到这样一个无向有权图后,在其上进行有偏随机游走,设定一个概率q>0,以q的概率在其中一个带对齐网络中游走,以1-q的概率在另一个网络上游走。
如果满足概率q,则在一个网络中游走,从一个点转移到另一个点的概率为:
如果满足的概率1-q,本次应切换到另一个网络上,分两种情况:
1)如果当前节点是种子节点(即已知有对齐节点的点),则直接转移到另一个网络中对应的节点
2)度过当前节点不是种子节点,则以概率p(u,v)转移到另一个网络中的点,概率为:
最终的损失函数:
2)网络对齐:
两个不同网络节点之间的相似性定义如下
根据余弦相似度计算相似性:
根据两个节点的一阶对齐邻居的jacard系数计算相似性,即如果不同网络中的两个节点有相似的对应顶点,那么它们往往有更高的相似度
再与之前的emb相似度相乘构成graph相似度。
根据属性的余弦相似度计算相似性:
最后得到综合相似性:
如果(u,v)是一对新的anchor nodes,就把他们分别加入到两个网络的seed node集合S中。
2)链路预测:
想法:如果存在一对对齐点,v1 对齐 u1, v2 对齐 u2,如果v1和u1有连边,则v2和u2也应该有一条连边。
在使用想法之前,先为两个网络各自训练一个链路预测预测器:
l2计算每对边存在的概率,分别训练的损失函数如下:
之后用预测器计算两个网络相对应的边(即边两端的节点如果可以得起)存在的概率,如果都大于一定阈值则同时把两对边加入网络。(另外文中是交叉预测的,即用网络2的预测器预测网络1边,用网络1的预测器预测网络2的边)
这里和初始的想法有一些区别,目的应该是增强模型的鲁棒性。
**3)**将上面两部分联合起来,即不断先后执行网络对齐和链路预测部分,直至收敛。