基于合并子图的双通道跨网络用户身份识别

摘要

跨社交网络的用户身份识别（UIL）的本质是通过各种方法发现跨社交平台上的同一用户或者实体.现有方法的最新思路主要是对网络中节点的各种结构或属性特征进行聚合，然后构建相应的深度学习模型，学习相同用户在不同网络中特征的相似性，以此来实现不同网络中相同用户的对齐.但是大多数方法较少考虑用户的属性信息或者是只用单一方法来处理不同类型的属性特征，这样处理的后果就是不能完美捕获到属性文本中的有效特征.此外，现有的方法是对2个网络分别在各自的嵌入空间进行学习然后映射到同一个公共空间，也就只能学习到各自网络的信息.本文提出了一个新的方法，即基于合并子图的双通道跨网络用户身份识别（TCUIL）.为了解决获取节点特征单一性问题，提出了多维特征提取方法实现了针对不同特征采用不同方法进行处理.为了解决2个网络嵌入空间互不相交的问题，提出了图合并方法实现了2个网络中信息的交互.此外，为了能学习到2个网络的多维度信息，设计了双通道网络结构实现了对网络拓扑结构、属性特征、节点间关系特征的有效学习.通过在2个真实数据集上的大量实验，证明了本文方法优于现有最先进的对齐方法 .我们在2个真实数据集（社交网络和合著网络）上进行了大量实验，在F1方面社交网络至少提高了44.32%，合著网络至少提高了25.04%.

关键词

社交网络 / 用户身份识别 / 合并子图 / 图神经网络