yellow_red_people的博客

Graph Neural Networks for User Identity LinkageWen Zhang, Kai Shu, Huan Liu, and Yalin WangComputer Science and Engineering, Arizona State University, Tempe, 85281, USA论文模型MSA：The multi-s...

COSNET: Connecting Heterogeneous Social Networks with Local and Global ConsistencyYutao Zhang , Jie Tang, Zhilin Yang, Jian Pei, and Philip S. Yu这篇论文开源发布数据集论文连接地址http://citeseerx.ist.psu.edu...

算法1 IONE这篇论文是半监督的embedding方法。Aligning users across social networks using network embedding . In IJCAI, 2016.该方法提取基于嵌入的网络特性，同时学习每个用户的follow-ship/followee-ship。种子用户身份对受限于社会关系网络结构语境的转移。为匹配未...

Structure Based User Identification across Social Networks这是篇无监督的论文。TKDE 2018因此，在本研究中，我们研究了无监督策略，以纯粹通过朋友关系识别跨越SN的匿名相同用户。牛逼呀。This study makes the following contributions:1提出一种新颖的无监督用户识别算法，称...

UNSUPERVISED MACHINE TRANSLATION USING MONOLINGUAL CORPORA ONLY时间会议：2018 ICLR作者：Guillaume Lample † ‡ , Alexis Conneau † , Ludovic Denoyer ‡ , Marc’Aurelio Ranzato †† Facebook AI Research摘要：...

Predict anchor links across social networks via an embedding approach. In IJCAI, 2016.数据使用微软学术圈会议的数据，按领域划分为数据挖掘和人工智能两个网络圈集合，进行这两个网络圈的用户对齐。Co-author Networks有下载链接https://www.aminer.cn/open-a...

无监督的用户对齐学习Unsupervised User Identity Linkage via Factoid Embedding链接地址https://arxiv.org/pdf/1901.06648.pdf摘要其关键思想是关于用户标识的每条信息都描述了真实情况标识所有者，从而将所有者与其他用户区分开来。我们用factoid表示这样一条信息，并将其建模为由用户标识、谓词和组成...

Introduction提出了一种新的基于注意力的图序列学习神经网络模型Graph2Seq。Graph2Seq模型遵循传统的编解码器方法，包含两个主要组件，一个图形编码器和一个序列解码器。本文提出的图形编码器旨在学习表达性节点嵌入，并将其重新组合成相应的图形嵌入。为此,灵感来自最近的图表示学习方法(汉密尔顿et al ., 2017),我们建议归纳基于神经网络学习节点从节点属性通过聚合社区信息...

Mapping Users across Networks by Manifold Alignment on Hypergraph使用超图的概念学习用户embedding1 与传统的半监督流形对齐方法不同，本文采用超图方法对高阶关系进行建模。对于一个网络中的目标用户，该算法根据其成为相应用户的可能性对另一个网络中的所有用户进行排序。此外，基于用户名比较的方法可以很容易地融入到算法中，进一步...