用于跨平台锚定节点对齐的多层次图卷积神经网络
我们提出了一种新的框架,即统一考虑局部网络结构和超图结构上的多层图卷积。我们提出了一种双相空间协调机制,在基于网络划分的并行训练和不同社交网络的账户匹配中调整嵌入空间,以便其能适用于大规模社交网络。
与简单图相比,超图允许一条边(也就是同端边)同时连接两个以上的节点。这意味着图中节点之间的非成对关系可以很容易地组织起来并表示为超边。此外,超图是鲁棒的、灵活的,可以适应各种各样的社会网络,无论给定的网络是纯社会网络或具有各种类型的异质社会网络属性和链接。
提出了一个多层图卷积网络MGCN,联合学习在不同粒度w.r.t.级别上的网络顶点的嵌入灵活的GCN内核(即,简单的图GCN,超图GCN)。社交网络的简单图结构信息反映了用户之间的关系,超图就是反映了不同网络的语义信息。例如,基于N跳邻居的超图(用户的n跳邻居通过同一超边缘连接)在某种程度上代表了朋友圈。基于中心性的超图表示不同的社会水平(具有相似中心性价值观的用户可能具有相同的社会地位)。因此,通过定义各种超图并将其交互到网络嵌入学习中,将促进选择更好的用户表示。为了支持这一点,我们提出的MGCN框架是灵活的,并且可以合并各种超图定义,它可以将任何超图作为向量表示 ,使模型结构对各种超图定义不变。
通过扩展GCN来开发和整合超图背后的基本原理是,超图提供了一个更灵活的网络表示,可以包含额外的和更丰富的信息组合,针对局部网络拓扑上的单个图gcn。一般的GCN只有两层,所以只能获取一个结点的局部特性。
作者这里提出了一种新的训练方式,首先将大规模的社交网络划分为集群,并以完全分散的方式学习网络嵌入。为了对齐学习到的不同簇的嵌入空间,我们提出了一种新的两相空间和解机制。在第一阶段,我们对齐从同一网络中的每个簇中学习到的嵌入空间。除了同一网络中不同子网络之间的对齐外,第二阶段空间和解还通过少量的观测锚定节点对两个不同的网络进行对齐。