Graph Neural Networks for User Identity Linkage 2019 论文阅读笔记

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.youkuaiyun.com/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。