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。