基于跨图成对学习的稀疏域用户社区检测

网络空间承载了用户与不同对象之间丰富的交互，其关系常被封装为二部图。在此类异质图中检测用户社区是揭示用户信息需求并进一步提升推荐性能的关键任务。尽管若干主要网络域拥有高质量图，遗憾的是，大多数其他域可能相当稀疏。然而，由于用户可能出现在多个域（图）中，他们在主要域中的高质量活动可辅助稀疏域中的社区检测，例如，当用户使用 Google ID 登录那些应用时，其在 Google 上的行为可帮助数千应用定位他/她的本地社区。本文提出模型“成对跨图社区检测（PCCD）”，通过引入外部图知识来学习用户成对社区亲近度而非直接检测社区，以应对稀疏图问题。特别是在我们的模型中，为避免采纳过度传播的信息，采用两级过滤模块通过社区级与节点级过滤器筛选最具信息量的连接。随后，设计社区循环单元（CRU）来估计成对用户社区亲近度。在两个真实世界图数据集上的大量实验验证了我们的模型优于若干强基线。补充实验也验证了其在不同稀疏尺度图上的鲁棒性。