摘要
随着互联网的蓬勃发展，越来越多人愿意在虚拟网络中交友与生活。很多用户为了享受社交网络的不同功能，会加入不同类型的社交网络平台，形成一个用户拥有多个社交网络账号的现象。然而，由于平台之间的封闭性，同一用户在不同社交网络平台产生的数据无法有效连通，这为跨网络数据挖掘任务带来了一定的困难。因此，社交网络用户对齐成为这一研究领域的一个关键问题，其主要目标是将同一用户在不同社交网络的账号对应起来，从而连通不同社交平台的用户信息，进一步为用户推荐、社区发现等社交网络应用提供基础支撑。目前，大多数社交网络对齐的研究都是基于静态网络环境下的，忽略了网络具有动态更新的内在属性。动态属性是社交网络的核心属性之一，对动态网络建模可以更好的反映网络变化、减少陈旧数据。然而，多数模型在网络更新时通常需要重新训练，导致了时间与资源的浪费。基于此，文章针对如何在动态网络环境下进行用户对齐建模这一关键问题进行研究，主要研究内容与创新点如下： 1.提出了一种基于启发式算法的浅层动态网络用户对齐模型。首先，使用注意力机制获取新节点在单网络中的局部影响权重。其次，使用跨网络特有的锚节点作为监督信息，启发式学习新节点在用户对齐任务驱动下的局部影响权重。最后，融合上述两种权重，选择需要更新的网络范围，基于保持网络二阶相似度的目标对网络局部进行更新，完成动态跨网络用户对齐。在真实数据集上的实验结果表明，所提模型相对于目前先进的算法，表现出了良好的对齐效果和时间优势。 2.提出了一种基于GCN(GraphConvolutionNetworks)的深层动态网络用户对齐模型。首先，利用源网络和目标网络中的结构关系，组合成一个融合网络，再根据网络动态变化的时间序列，生成一系列网络快照。其次，将融合网络对应的邻接矩阵输入深度神经网络的GCN层、GRU(GatedRecurrentUnit)层进行训练。最后，在全连接层定义一个损失函数进行节点分类，分出潜在锚节点与非锚节点。本模型在真实数据上的实验表明，可以有效保存网络结构信息、属性信息和时间信息等多维信息，解决动态网络用户对齐任务模型重训练、训练信息单一等问题。
NETL