基于双重感知相似度的渐进式网络对齐能力研究

网络对齐（NA）是基于网络结构与节点属性寻找两个网络间节点对应关系的任务。现有大多数 NA 方法试图一次性发现所有节点对，因而未能利用在节点匹配过程中通过阶段性发现节点对应关系所富集的信息来更准确地寻找后续对应关系，我们的研究正由此动机出发。为应对这一挑战，我们提出 Grad-Align，一种通过充分利用在渐进匹配早期易于发现的、表现出强一致性的节点对来逐步发现节点对的新型 NA 方法。具体而言，Grad-Align 首先基于图神经网络并结合我们提出的层-wise 重构损失（一种建立在一阶与高阶邻域结构捕捉之上的损失）生成两个网络的节点嵌入。随后，通过计包括多层嵌入相似度以及 Tversky 相似度（一种使用适用于不同规模网络的 Tversky 指数的非对称集合相似度）在内的双重感知相似度度量，节点被逐步对齐。此外，我们将边增强模块引入 Grad-Align 以强化结构一致性。通过使用真实世界与合成数据集的综合实验，我们实证表明 Grad-Align 持续优于最先进的 NA 方法。