面向网络对齐的联合最优传输与嵌入

网络对齐旨在寻找不同网络之间的节点对应关系，是众多多网络和网页挖掘任务的基石。大多数基于嵌入的方法通过对照从手工策略中抽取的正负节点对来间接建模跨网络节点关系，这些方法易受图噪声影响，可能导致节点误对齐。另一类基于最优传输(OT)理论的方法直接建模跨网络节点关系并生成噪声降低的对齐。然而，OT方法依赖固定的预定义成本函数，难以实现端到端训练且难以泛化。在本文中，我们旨在以互补方式统一嵌入和OT方法，提出一种用于网络对齐的联合最优传输与嵌入框架，称为JOENA。首先通过一种简单而有效的变换，噪声降低的OT映射作为自适应抽样策略，直接建模所有跨网络节点对以实现稳健的嵌入学习。其次，在已学习的嵌入基础上，OT成本可在端到端方式下逐步训练，从而进一步提升对齐质量。通过统一目标函数，采用交替优化方案可实现两者的相互益处，并保证收敛。大量在真实网络上的实验验证了JOENA的有效性和可扩展性，相较于最新对齐方法，在MRR上提升最高可达16%，速度提升最高可达20倍。