DegUIL：面向长尾用户身份链接的度数感知图神经网络
社会与信息网络
2023-08-11 v1
摘要
用户身份链接（UIL）即匹配同一人在不同社交网络上的账号，是跨网络数据挖掘中的基础任务。近期工作通过利用图神经网络（GNNs）捕获网络结构取得了可喜成果。然而，它们很少分析阻碍UIL性能的现实节点级瓶颈。首先，图中节点度数差异巨大且呈长尾分布。大量度数小的尾节点因结构信息有限而代表性不足，严重降低了链接性能。第二个常被忽视的瓶颈是超级头节点。通常认为头节点表现良好，但我们发现其中一些度数极高的节点也因真实社交图中关注好友的随机性引入的噪声而难以对齐对应账号。为学习这两组节点的理想表示，本文提出名为DegUIL的度数感知模型以缩小度数差距。为此，我们的模型分别为尾节点补充缺失邻域、为超级头节点丢弃冗余结构信息。具体而言，邻域偏差由两个模块在局部预测并修正，这两个模块利用结构充分的头节点知识进行训练。由此，GNNs中有意义的聚合获得了理想邻域。大量实验证明了我们模型的优越性。我们的数据与代码见 https://github.com/Longmeix/DegUIL。
引用
@article{arxiv.2308.05322,
title = {DegUIL: Degree-aware Graph Neural Networks for Long-tailed User Identity Linkage},
author = {Meixiu Long and Siyuan Chen and Xin Du and Jiahai Wang},
journal= {arXiv preprint arXiv:2308.05322},
year = {2023}
}
备注
16 pages,4 figures,2 tables;Accepted by ECML-PKDD 2023