用于用户身份链接的图神经网络

社交媒体网站日益增长的流行度与多样性促使越来越多的人参与多个在线社交网络以享受其服务。每个用户可在每个社交网络中创建一个用户身份以代表其独特的公众形象。跨在线社交网络的用户身份链接是一项新兴任务，已吸引越来越多的关注，并可能潜在影响推荐与链接预测等多个领域。现有工作大多聚焦于挖掘网络邻近度或用户档案数据以发现用户身份链接。随着图神经网络（GNNs）近期的进展，由于用户在社会图中相互连接且学习用户与物品的潜在因子是关键，其为推进用户身份链接提供了巨大潜力。然而，基于 GNNs 预测用户身份链接面临挑战。例如，用户社会图既编码了诸如用户邻域信号的局部结构，也编码了具有社区属性的全局结构。为同时应对这些挑战，本文提出一种新颖的图神经网络框架（{\m}）用于用户身份链接。特别地，我们提供一种原则性方法来联合捕获用户-用户社会图中的局部与全局信息，并提出框架 {\m}，其联合学习用于用户身份链接的用户表示。在真实世界数据集上的大量实验证明了所提框架的有效性。