Aligning Users Across Social Networks Using Network Embedding
Liu L, Cheung W K, Li X, et al. Aligning users across social networks using network embedding[C]. international joint conference on artificial intelligence, 2016: 1774-1780
Summary
这篇文章非常数学,嵌入方式应该是通过三个向量表示一个节点,然后通过各自的目标函数联合优化作为整体的目标函数。证明推理部分没有看,感觉很难。
太难了,我太难了。。。我就是不想看数学推导和数学证明,直接上代码啊~~
Research Objective
提出应用网络表示学习的方法来对齐社交网络。
Input-Output Network Embedding (IONE)
将多个社交网络映射到一个共同的嵌入空间中,提出的 IONE 方法使得更多的社交结构属性用于网络表征学习,最终目标是实现更准确的社交网络对齐。
Problem Statement
结构对齐方法:
监督的
通过分类的方法,预测 anchor links
无监督的
假定 anchor links 不存在,把该问题看做一般的 graph alignment 问题
Methods
1. Input-Output Network Embedding
将节点的父节点作为其输入上下文,同时将节点的子节点作为其输出上下文。
每一个节点 $v{i}$ 有三个向量表示,节点向量 $\overrightarrow{u{i}} \in \Re^{d}$ , 输入上下文向量 $\vec{u}{i}^{\prime} \in \Re^{d}$ ,输出上下文向量 $\overrightarrow{u{i}}^{\prime \prime} \in \Re^{d}$
定义节点$v{i}$ 作为 $v{j}$ 的输入上下文对其贡献概率
其中 $|V|$ 是网络中用户数,同样可以定义节点 j 作为对节点 i 输出上下文向量的贡献概率
2. Aligning Network Embedding of Multiple Networks
两个独立网络中节点的结构邻近性尽可能保留在其对应的嵌入中,并且锚节点的表示在嵌入式空间中重合,在嵌入空间中较近的锚节点可以看做 ‘用户对齐’ 较好的候选对象。
最小化 $p{1}$ 和 $p{2}$ 的 KL 散度
目标函数:
保持两个网络中同一个节点嵌入向量一致的目标函数:
最终的目标函数 $O = O{1} + O{2}$
Evaluation
两个网络的度:
Conclusion
研究了跨网络映射用户的问题。提出了一种学习多网络嵌入以对齐网络的表示学习模型。该方法明确地将每个用户的follower-ship和followee-ship建模为输入和输出上下文。在这个模型中,给定的和潜在的锚链接都可以作为一个统一的学习框架中的硬约束和软约束来使用。采用随机梯度下降法和负抽样法对模型进行有效学习。
- 本文作者: Kelly Liu
- 本文链接: http://tiantianliu2018.github.io/2019/09/30/论文阅读《Aligning-Users-Across-Social-Networks-Using-Network-Embedding》/
- 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!