论文阅读《Graph Neural Networks for User Identity Linkage》
Summary
仅用社交网络结构信息,通过 GNN 学习局部和全局的网络结构进行节点的表示
待完成。。。
Research Objective
通过网络学习进行用户表示,消除手工提取特征的噪声和偏差。
如何仅使用社交网络的图信息有效地学习跨社交网络的用户表示;
如何通过图神经网络在数学上形式化用户身份链接问题,从而提高预测性能。
Problem Statement
GNNs:主要思想是使用神经网络聚合来自局部图邻域的特征信息。同时,节点信息可以在变换和聚合之后通过图传播,以获得全局视图。
Method(s) — GraphUIL
学习潜在的用户表示,同时保证局部和全局的网络结构信息。
构建一个非线性的跨平台的 mapping kernel,以预测用户身份链接。
Network Embedding Through Node Propagation
Global-Topology-Aware Aggregator (GTA-Agg)
Local-Topology-Aware Aggregator (LTA-Agg)
Evaluation
对比 PALE,FRUIP ,Node2Vec 方法以及 GraphUIL 仅使用局部或全局的拓扑结构嵌入方法
衡量指标:Accuracy,F1
Conclusion
- 本文作者: Kelly Liu
- 本文链接: http://tiantianliu2018.github.io/2020/04/14/论文阅读《Graph-Neural-Networks-for-User-Identity-Linkage》/
- 版权声明: 本博客所有文章除特别声明外,均采用 MIT 许可协议。转载请注明出处!