在稀疏域中发现用户社区

发表在2020年SIGIR

《Detecting User Community in Sparse Domain via Cross-Graph Pairwise Learning》论文阅读笔记

背景：网络空间（以社交媒体和电子商务为例）中包含大量用户和项目交互，这些关系通常用二分图表示。在这种异构图中发现用户社区（发现用户信息，进一步增强推荐性能）是一个关键任务。对于全连接图，使用传统方法就能直接在节点上估计连通性并生成高质量的社区，而对于稀疏连接图，社区发现算法很难得出有用的信息优化社区结构。

存在问题：有些域比较稀疏。用户可能出现在多个域中，密集域中的活动可以在稀疏域中提供社区发现（比如，当用户使用Google ID登录应用时，用户的行为可以帮助成千上万的应用定位他的本地社区）

本文：提出成对交叉图社区发现（PCCD），增强稀疏图中用户社区发现（小型应用可以利用从大型供应商那里继承的用户身份信息）。对于稀疏域中的训练数据不充分，使用新的数据增强方法—跨图点对学习（给定一个用户，同时利用主图（即全连接图）和稀疏图发现社区，此外，考虑到图的局部结构，也能减小噪声）。
具体：用户在短时间内既可能出现在主图中，也可能出现在稀疏图中，这些共同的用户就可以当成是连接两个域的桥梁。共同用户元组：<i,j,k>，与k相比，j与i之间的关系：（1）相似&#x