实体匹配策略驱动的增强社交网络表示学习框架

摘要

社交网络因其建模用户行为和关系的能力，被广泛应用于社交挖掘与推荐系统等领域.然而，仅依赖社交网络表示可能因缺乏用户背景信息而导致描述片面化，从而影响下游任务的性能.为此，本文引入知识图谱作为外部知识，与社交网络进行融合以实现信息补充.针对融合过程中存在的数据异质性和嵌入空间不一致问题，本文提出了一种实体匹配策略驱动的增强社交网络表示学习框架GEMF.GEMF通过独立编码器分别学习两种数据的嵌入表示，并设计显式与隐式实体匹配模块，捕捉重叠节点对以对齐嵌入空间.此外，本文构建了两个基准数据集，并在这些数据集上进行了大量实验.实验结果表明，GEMF不仅能准确识别重叠节点对，还能有效融合社交网络与知识图谱信息，显著提升下游任务性能.

关键词

图表示学习 / 社交网络 / 知识图谱 / 图融合 / 实体匹配

基金资助

国家自然科学基金项目(62476157)资助; 教育部人文社科项目(24YJAZH022)资助; 山西省重点研发计划项目(202202020101003)资助