COSNET: Connecting Heterogeneous Social Networks with Local and Global Consistency 论文阅读笔记

最新推荐文章于 2022-10-18 20:24:38 发布

yellow_red_people

最新推荐文章于 2022-10-18 20:24:38 发布

阅读量1.1k

点赞数 1

分类专栏： UIL 论文收集 graph embedding 文章标签：用户识别链接 data ming

本文链接：https://blog.csdn.net/yellow_red_people/article/details/90216339

版权

10 篇文章 1 订阅

订阅专栏

9 篇文章 1 订阅

订阅专栏

7 篇文章 2 订阅

订阅专栏

COSNET: Connecting Heterogeneous Social Networks with Local and Global Consistency
Yutao Zhang , Jie Tang, Zhilin Yang, Jian Pei, and Philip S. Yu

这篇论文开源发布数据集

现有的方法通过估计两个网络中用户之间的两两相似度来解决这一问题。然而，这些方法存在着多个网络匹配不一致的问题。

为了解决这一问题，我们提出了一种新的基于能量的模型COSNET(将异构社交网络与局部和全局一致性连接起来)，该模型考虑了多个网络之间的局部一致性和全局一致性。提出了一种有效的梯度算法，将原始的基于能量的目标函数转化为对偶形式，从而训练模型。

异构网络对齐

propose energy-based model to jointly consider local user matching, network structure and global consistency

局部点匹配

首先，我们为单个用户对xi定义局部特性（local feature）。我们考虑了用户属性文件的相似性，它广泛用于实体链接[4,5,20,28]和对象解析[6,13,30]。设gl(xi, yi)为一个向量值特征函数，用于为用户对xi属性特征计算相似度。我们将局部匹配能量函数建模为:

局部匹配独立地处理每一对用户，不考虑网络结构。为了利用网络结构，我们应该考虑“保邻匹配”。

意思是如果在两个社交网络中的用户账户被匹配到，我们希望他们的邻居也是共同的。

我们定义网络匹配能量函数：

当我们从训练数据中学习模型参数后，yi和yj相同的权重就会降低。对于测试集，如果在匹配的图中连接了两个用户对，那么如果给它们分配相同的标签，模型能量就会很低。因此，根据式(1)中网络匹配能量模型的定义，我们倾向于在匹配图中为邻居分配相同的标签来最小化模型能量。

在本节中，我们将在模型中添加另一个能量函数来惩罚全局不一致性。理想情况下，我们应该考虑x中所有可能的用户对序列。因此，直接惩罚所有序列是不可行的。相反，我们大约只考虑序列

长度是3。图3给出了一个示例。假设我们有三个网络G1、G2、G3，其中有三个候选用户对(v12、v22)、(v12、v31)和(v22、v31)，这些对之间的边表示两个用户对共享一个用户。这三对在匹配图中形成一个三元闭合(如图3所示)，因此，我们为匹配图中的每一个闭合三元定义一个基于三元的能量函数

最终，我们的目标函数：

1Content-based method 一个简单的解决方案是使用用户名作为生成种子匹配的标识。

2 Structure-based method 根据网络结构生成候选对集合。一个用户对如果匹配成功，那么他们的各自的邻居也可以考虑进

候选集合。

关注