论文阅读:Joint Link Prediction and Network Alignment via Cross-graph Embedding

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。