CN111192154B - 一种基于风格迁移的社交网络用户节点匹配方法 - Google Patents

Abstract

本发明公开了一种基于风格迁移的跨平台用户节点匹配方法，(1)通过auto‑encoder学习目标网络节点低维表征的训练以及从GCN中提取目标网络的风格信息；(2)通过将(1)中得到的风格信息与源网络内容信息融合得到符合目标网络风格的源网络节点表征向量；(3)计算(1)与(2)中分别得到的节点表征之间的相似度从而得到相似度矩阵，并利用拓扑一致性优化相似度矩阵，以提高匹配准确率。

Description

一种基于风格迁移的社交网络用户节点匹配方法

技术领域

本发明属于网络分析领域，特别涉及一种基于风格迁移的社交网络用户节点匹配方法。

背景技术

如今的现实生活中，很多用户为了满足自己对于信息的不同需求，会在多个社交网络平台注册自己的账户，从而从不同渠道获得足够的信息。因此在当今的互联网环境中，每一个用户都可能在不同的社交网络平台中拥有自己的账户，从而作为一个节点存在于各个社交网络中。如今，不同功能的社交网络平台数量迅速增长，如：新浪微博、facebook、豆瓣等，如何找到这些平台中属于同一用户的账号(节点)，成为近年来复杂网络分析的热门话题之一。通过实现跨平台的用户节点匹配，可以将得到的匹配关系应用到用户推荐、链路预测等诸多应用中。因此针对这种现象，本发明提出了基于风格迁移的社交网络用户节点匹配方法。

现有技术1提出了一种基于图卷积的社交网络对齐方法，首先利用图卷积神经网络得到社交网络节点的低维表征，然后利用高斯核函数将低维表征升维，进而得到高维空间中的相似度矩阵。通过锚节点来表示非锚节点，从而得到两个社交网络最终的节点表征。之后利用已知的锚节点信息来学习一个网络映射函数，最后利用该函数将两个社交网络中的节点进行匹配。

现有技术2提出一种适用于DBLP与arXiv网络间用户节点匹配方法。该方法包括(1)在DBLP与arXiv网络中采用基于结构特征的方法得到节点的低维表征；(2)通过局部敏感哈希构建一个锚节点的稀疏加权二分图；(3)通过修建冗余链接预测最终的锚链接集合。

现有技术3提出一种基于全局和局部特征的社交网络用户匹配方法，包括种子发掘和种子扩张两个截断，该方法还提出了将社交网络构建成有权图，用来体现用户节点之间的相关程度，从而进一步提高了用户匹配的效果。

上述网络社团发现方法的专利技术方案在社交网络用户节点匹配的过程中，现有技术1必须在已知部分锚链的前提下实现，然而锚链信息的获取通常是十分困难的；而现有技术2与现有技术3仅利用了网络的结构信息进行节点匹配，很容易陷入局部最优解。

发明内容

本发明的目的在于提供一种基于风格迁移的社交网络用户节点匹配方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，包括以下步骤：

步骤1，目标网络节点低维表征的训练以及风格提取；利用自动编码器Auto-encoder训练得到目标网络的节点表征，解码器则利用表征重构属性与结构信息，通过减小重构信息与目标网络初始信息的误差，引导网络节点表征的训练；同时，将编码器中训练好的权重矩阵提取出来，作为目标网络的风格信息；

步骤2，源网络内容信息与目标网络风格信息的融合；融合步骤1中得到的目标网络风格信息以及源网络的内容信息，同样利用自动编码器训练网络得到具有目标网络风格的源网络节点表征；

步骤3，相似度矩阵的计算与修正；利用步骤1与步骤2得到的源网络和目标网络的节点表征，计算两两之间的余弦相似度得到相似度矩阵，并利用拓扑一致性修正相似度矩阵，最终利用相似度矩阵得到匹配结果。

进一步的，目标网络节点低维表征的训练以及风格提取具体包括：

1)设源网络G_S(V_S,E_S)与目标网络G_T(V_T,E_T)，其中V_S,V_T代表网络的节点集合，E_S,E_T代表网络边的集合；邻接矩阵A_S∈R^m×m,A_T∈R^n×n代表网络拓扑结构信息，其中m,n分别为两个网络的节点数，邻接矩阵中不为零的元素代表，当前元素行列号对应的两个节点之间存在相连关系，否则不相连；网络节点的属性则通过X_S∈R^m×d,X_S∈R^n×d矩阵来表示，其中d为属性的维度；

2)编码器为Graph convolutional networks，简称GCN，GCN作为本算法中的encoder，将目标网络的节点与结构信息编码得到每个节点的低维表征，该部分形式化定义为：

其中

为源网络编码器第l层卷积层的输入，

为第l层卷积层的输出，对于第一层卷积层，用属性矩阵X_S来代替

是GCN中需要训练的权重矩阵，在训练GCN网络的过程中，其权重矩阵将网络更深层次的信息提取出来，而该信息被称为风格信息；其中卷积函数

定义如下：

其中σ(·)是非线性激活函数，另外

而

而是一个对角矩阵，其对角线上的元素

通过构造多层这样的卷积层，得到最终的编码器：

3)通过encoder编码得到的节点低维表征，通过decoder重构目标网络的结构信息和属性信息(A_T与X_T)，结构信息重构的形式化定义如下：

属性信息重构的形式化定义如下：

其中FC_T为两层全连接层；得到重构后的结构信息与属性信息后，通过计算重构误差，更新网络权重参数，这两部分的Loss函数分别为：

最终该部分的重构Loss为：

通过训练使重构Loss达到最小，GCN中的权重矩阵

中将包含目标网络更加深层的特征信息，将这部分信息视作风格信息。

进一步的，源网络内容信息与目标网络风格信息的融合具体包括：通过将源网络的内容信息(A_S与X_S)与步骤1得到的目标网络风格信息矩阵

融合，组成新的混合卷积层，生成具有目标网络风格的源网络节点表征，该步骤与步骤1中卷积过程相似，形式化为：

其中

为融合目标网络风格信息与源网络内容信息的节点表征，利用该风格迁移的思想，将源网络中的节点表征映射到目标网络的空间中。

进一步的，相似度矩阵的计算与修正包括：

1)利用步骤1中得到的目标网络节点的低维表征Z_T以及步骤2中通过风格迁移得到的源网络节点低维表征

根据余弦相似度计算得到从目标网络到源网络任意节点对之间的相似度，形式化定义如下：

2)根据拓扑一致性，对计算得到的相似度矩阵进行优化，对于目标网络中的每一个节点v_i，取出当前相似度矩阵中于其最相似的前top-k个点

并找到k个候选节点中每一个点的邻居节点

计算

与

之间存在的匹配节点对数Δ_ij，其形式化定义如下：

其中f(p,q)其用来判断两个节点之间是否存在匹配关系，若匹配，则值为1，否则为0；当得到目标网络每个节点的Δ值后，通过softmax将所有Δ值进行归一化处理，最后与相似度矩阵对应位置的元素相加，完成修正：

S_ij＝S_ij+Δ_ij

3)相似度矩阵经过优化后，进行进一步的节点匹配，对于每一个目标网络的节点v_i，仅考虑源网络中前k个与其最相近的节点，作为v_i在源网络中的候选对齐节点。

与现有技术相比，本发明有以下技术效果：

本发明的目的在于提出一种基于风格迁移的社交网络对齐方法，该方法不需要锚链信息，通过风格迁移实现风格信息和内容信息的融合，得到同一空间中两个网络的节点表征，进而计算两个网络节点之间的相似度矩阵，最终引入修正算法提升匹配准确性。

本发明的方法对结构噪声的鲁棒性测试可以看出，本发明具有更高的鲁棒性，且对齐效果高。

附图说明

图1是本发明社交网络用户匹配方法过程图；

图2是本发明在Flickr数据集上的对比结果折线图；

图3是本发明在Wiki数据集上的对比结果折线图；

具体实施方式

以下结合附图对本发明作进一步的详细说明。

请参阅图1至图3，一种基于风格迁移的社交网络用户节点匹配方法，包括以下步骤：

步骤1，目标网络节点低维表征的训练以及风格提取；利用自动编码器Auto-encoder训练得到目标网络的节点表征，解码器则利用表征重构属性与结构信息，通过减小重构信息与目标网络初始信息的误差，引导网络节点表征的训练；同时，将编码器中训练好的权重矩阵提取出来，作为目标网络的风格信息；

步骤2，源网络内容信息与目标网络风格信息的融合；融合步骤1中得到的目标网络风格信息以及源网络的内容信息，同样利用自动编码器训练网络得到具有目标网络风格的源网络节点表征；

步骤3，相似度矩阵的计算与修正；利用步骤1与步骤2得到的源网络和目标网络的节点表征，计算两两之间的余弦相似度得到相似度矩阵，并利用拓扑一致性修正相似度矩阵，最终利用相似度矩阵得到匹配结果。

目标网络节点低维表征的训练以及风格提取具体包括：

1)设源网络G_S(V_S,E_S)与目标网络G_T(V_T,E_T)，其中V_S,V_T代表网络的节点集合，E_S,E_T代表网络边的集合；邻接矩阵A_S∈R^m×m,A_T∈R^n×n代表网络拓扑结构信息，其中m,n分别为两个网络的节点数，邻接矩阵中不为零的元素代表，当前元素行列号对应的两个节点之间存在相连关系，否则不相连；网络节点的属性则通过X_S∈R^m×d,X_S∈R^n×d矩阵来表示，其中d为属性的维度；

2)编码器为Graph convolutional networks，简称GCN，GCN作为本算法中的encoder，将目标网络的节点与结构信息编码得到每个节点的低维表征，该部分形式化定义为：

其中

为源网络编码器第l层卷积层的输入，

为第l层卷积层的输出，对于第一层卷积层，用属性矩阵X_S来代替

是GCN中需要训练的权重矩阵，在训练GCN网络的过程中，其权重矩阵将网络更深层次的信息提取出来，而该信息被称为风格信息；其中卷积函数

定义如下：

其中σ(·)是非线性激活函数，另外

而

而是一个对角矩阵，其对角线上的元素

通过构造多层这样的卷积层，得到最终的编码器：

3)通过encoder编码得到的节点低维表征，通过decoder重构目标网络的结构信息和属性信息(A_T与X_T)，结构信息重构的形式化定义如下：

属性信息重构的形式化定义如下：

其中FC_T为两层全连接层；得到重构后的结构信息与属性信息后，通过计算重构误差，更新网络权重参数，这两部分的Loss函数分别为：

最终该部分的重构Loss为：

通过训练使重构Loss达到最小，GCN中的权重矩阵

中将包含目标网络更加深层的特征信息，将这部分信息视作风格信息。

源网络内容信息与目标网络风格信息的融合具体包括：通过将源网络的内容信息(A_S与X_S)与步骤1得到的目标网络风格信息矩阵

融合，组成新的混合卷积层，生成具有目标网络风格的源网络节点表征，该步骤与步骤1中卷积过程相似，形式化为：

其中

为融合目标网络风格信息与源网络内容信息的节点表征，利用该风格迁移的思想，将源网络中的节点表征映射到目标网络的空间中。

相似度矩阵的计算与修正包括：

1)利用步骤1中得到的目标网络节点的低维表征Z_T以及步骤2中通过风格迁移得到的源网络节点低维表征

根据余弦相似度计算得到从目标网络到源网络任意节点对之间的相似度，形式化定义如下：

2)根据拓扑一致性，对计算得到的相似度矩阵进行优化，对于目标网络中的每一个节点v_i，取出当前相似度矩阵中于其最相似的前top-k个点

并找到k个候选节点中每一个点的邻居节点

计算

与

之间存在的匹配节点对数Δ_ij，其形式化定义如下：

其中f(p,q)其用来判断两个节点之间是否存在匹配关系，若匹配，则值为1，否则为0；当得到目标网络每个节点的Δ值后，通过softmax将所有Δ值进行归一化处理，最后与相似度矩阵对应位置的元素相加，完成修正：

S_ij＝S_ij+Δ_ij

3)相似度矩阵经过优化后，进行进一步的节点匹配，对于每一个目标网络的节点v_i，仅考虑源网络中前k个与其最相近的节点，作为v_i在源网络中的候选对齐节点。

如附图1所示，首先选定源网络与目标网络G_S(V_S,E_S)与G_T(V_T,E_T)，通过步骤1中的auto-encoder得到目标网络的低维表征Z_T:

同时通过提取出编码器GCN的权重矩阵，得到目标网络的风格信息

将步骤1中得到的风格信息以及源网络的内容信息(A_S与X_S)带入步骤2，从而得到经过风格迁移后的源网络节点表征

最后将

与Z_T带入步骤3，计算得到相似度矩阵:

并通过进一步修正相似度矩阵，提升最终的匹配结果:

S_ij＝S_ij+Δ_ij

得到修正后的相似度矩阵后，其每一行都代表一个节点和所有节点的相似度，对于节点i，通过对相似度矩阵的第i行进行排序，按照设置的k值取前k个具有最大相似度的节点，即得到与i的匹配的节点集合，最终评价指标Precision@k的计算公式为：

Precision@k＝|CorrectPairs@k|/|GroundtruthPairs|

其中，|CorrectPairs@k|表示前k个候选节点中存在正确匹配节点的数量。GroundtruthPairs代表存在匹配关系的节点对数量。

本发明的一个具体实施例，列举了在两组真实数据集以及两组人工数据集上的实验结果以评价提出方法的有效性。下表为这些数据集的统计数据。

利用实施例提供的基于风格迁移的社交网络对齐方法对两个不同网络中的用户节点进行匹配。本发明参照了6种基准方法进行对比(DEGREE、BETWEENESS、CLOSENESS、FINAL、ISORANK、REGAL)其对齐结果见下表中未加粗字体部分。

表1数据集统计

另外使用本发明方法在该数据集上进行实验，实验结果见表1加粗字体部分。对于步骤3.3中k的值，本发明分别取了1、5、10、20、30以及50进行实验。从表中可以看出，基于风格迁移的社交网络对齐方法STNA，在两组真是数据集上都要好于其他所有方法，充分表现了本发明的网络对齐方法的有效性。

另外图1-2给出在两组人工数据集上，本发明的方法对结构噪声的鲁棒性测试。可以看出，随着结构噪声的增大，所有方法的匹配效果都有所下降，但基于风格迁移的社交网络对齐方法STNA明显具有更高的鲁棒性，且对齐效果仍然高于所有对比方法。

表2本发明与基准方法对齐性能对比结果(豆瓣数据集)。

表3本发明与基准方法对齐性能对比结果(Lastfm-Myspace数据集)。

Claims (4)

1.一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，包括以下步骤：

步骤1，目标网络节点低维表征的训练以及风格提取；利用自动编码器Auto-encoder训练得到目标网络的节点表征，解码器则利用表征重构属性与结构信息，通过减小重构信息与目标网络初始信息的误差，引导网络节点表征的训练；同时，将编码器中训练好的权重矩阵提取出来，作为目标网络的风格信息；

步骤2，源网络内容信息与目标网络风格信息的融合；融合步骤1中得到的目标网络风格信息以及源网络的内容信息，同样利用自动编码器训练网络得到具有目标网络风格的源网络节点表征；

步骤3，相似度矩阵的计算与修正；利用步骤1与步骤2得到的源网络和目标网络的节点表征，计算两两之间的余弦相似度得到相似度矩阵，并利用拓扑一致性修正相似度矩阵，最终利用相似度矩阵得到匹配结果。

2.根据权利要求1所述的一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，目标网络节点低维表征的训练以及风格提取具体包括：

1)设源网络G_S(V_S,E_S)与目标网络G_T(V_T,E_T)，其中V_S,V_T代表网络的节点集合，E_S,E_T代表网络边的集合；邻接矩阵A_S∈R^m×m,A_T∈R^n×n代表网络拓扑结构信息，其中m,n分别为两个网络的节点数，邻接矩阵中不为零的元素代表，当前元素行列号对应的两个节点之间存在相连关系，否则不相连；网络节点的属性则通过X_S∈R^m×d,X_S∈R^n×d矩阵来表示，其中d为属性的维度；

2)编码器为Graph convolutional networks，简称GCN，GCN作为本算法中的encoder，将目标网络的节点与结构信息编码得到每个节点的低维表征，该部分形式化定义为：

其中

为源网络编码器第l层卷积层的输入，

为第l层卷积层的输出，对于第一层卷积层，用属性矩阵X_S来代替

是GCN中需要训练的权重矩阵，在训练GCN网络的过程中，其权重矩阵将网络更深层次的信息提取出来，而该信息被称为风格信息；其中卷积函数

定义如下：

其中σ(·)是非线性激活函数，另外

而

而是一个对角矩阵，其对角线上的元素

通过构造多层这样的卷积层，得到最终的编码器：

3)通过encoder编码得到的节点低维表征，通过decoder重构目标网络的结构信息和属性信息(A_T与X_T)，结构信息重构的形式化定义如下：

属性信息重构的形式化定义如下：

其中FC_T为两层全连接层；得到重构后的结构信息与属性信息后，通过计算重构误差，更新网络权重参数，这两部分的Loss函数分别为：

最终该部分的重构Loss为：

通过训练使重构Loss达到最小，GCN中的权重矩阵

中将包含目标网络更加深层的特征信息，将这部分信息视作风格信息。

3.根据权利要求1所述的一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，源网络内容信息与目标网络风格信息的融合具体包括：通过将源网络的内容信息(A_S与X_S)与步骤1得到的目标网络风格信息矩阵

融合，组成新的混合卷积层，生成具有目标网络风格的源网络节点表征，该步骤与步骤1中卷积过程相似，形式化为：

其中

为融合目标网络风格信息与源网络内容信息的节点表征，利用该风格迁移的思想，将源网络中的节点表征映射到目标网络的空间中。

4.根据权利要求1所述的一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，相似度矩阵的计算与修正包括：

1)利用步骤1中得到的目标网络节点的低维表征Z_T以及步骤2中通过风格迁移得到的源网络节点低维表征

根据余弦相似度计算得到从目标网络到源网络任意节点对之间的相似度，形式化定义如下：

2)根据拓扑一致性，对计算得到的相似度矩阵进行优化，对于目标网络中的每一个节点v_i，取出当前相似度矩阵中于其最相似的前top-k个点

并找到k个候选节点中每一个点的邻居节点

计算

与N(v_i)之间存在的匹配节点对数Δ_ij，其形式化定义如下：

其中f(p,q)其用来判断两个节点之间是否存在匹配关系，若匹配，则值为1，否则为0；当得到目标网络每个节点的Δ值后，通过softmax将所有Δ值进行归一化处理，最后与相似度矩阵对应位置的元素相加，完成修正：

S_ij＝S_ij+Δ_ij

3)相似度矩阵经过优化后，进行进一步的节点匹配，对于每一个目标网络的节点v_i，仅考虑源网络中前k个与其最相近的节点，作为v_i在源网络中的候选对齐节点。

Images