Graph Neural Networks for User Identity Linkage
Wen Zhang, Kai Shu, Huan Liu, and Yalin Wang
Computer Science and Engineering, Arizona State University, Tempe, 85281, USA
论文模型
MSA:The multi-stage aggregation layer,图的信息融合层,可以使用GAT,GCN等模型
resconstruct: 融合后的向量是否能够体现节点之间的连接关系。
损失函数:Global Network Topology Loss.
为了保持全局网络拓扑结构,我们将输入网络和重构网络之间的权值差最小化。
Local Network Topology Loss.我们采用一阶近似(Wang, Cui, and Zhu 2016)来捕捉局部结构。在有监督的结构信息(即1跳邻域连接)下,该term限制了一对用户节点嵌入特征的相似性。损失函数定义为:
Cross-network Mapping Loss.
我们打算学习一个映射函数f,如果这两个节点属于同一个用户,将其映射到一块。在这里,我们使用一个MLP来捕获这种跨嵌入空间的非线性映射关系。损失:
最后的损失:
仍然属于Projection methods,一个重构损失学习全局特征,一个Local Network Topology Loss 确保局部特征学习,
一个match loss学习映射函数。
对比方法:
PALE:学习Embedding,然后学习映射函数。监督框架采用基于嵌入的网络特性,构造跨网络扩展,将用户身份链接作为嵌入网络的一部分。这里有相关介绍https://blog.csdn.net/yellow_red_people/article/details/90276342。
FRUIP:无监督学习考虑好友关系。首先,利用网络邻域模式提取好友特征向量,然后计算它们之间的相似性,进行链接预测。