RCoCo：黎曼空间中多重网络的对比集体链接预测

链接预测通常研究在单个社交网络中观察到的节点之间未来连接的概率。但现实场景往往呈现为一个多重网络，其中存在共同（锚点）用户在多个社交网络中活跃。文献中，现有大多数工作要么研究单个网络内的内部链接预测，要么研究网络间的跨网络链接预测（即网络对齐），并将这两个学习任务视为相互独立，这与事实不符。在表示空间方面，绝大多数现有方法基于传统的欧几里得空间，未意识到社交网络的内在几何结构。第三个问题是锚点用户稀缺。标注锚点用户费时费力，因此处理大量锚点用户不切实际。鉴于上述问题，我们提出研究一个具有挑战性且实际的问题：多重网络中几何感知的集体链接预测。为解决此问题，我们提出一种新颖的对比模型RCoCo，它在黎曼空间中协同网络内和网络间的行为。在RCoCo中，我们设计了一个曲率感知图注意力网络（κ-GAT），在黎曼流形上执行注意力机制，其曲率通过网络上的里奇曲率估计。随后，我们在流形中制定内部和外部对比损失，通过探索社区的高阶结构和锚点用户上的信息传递来增强图。最后，我们在8个真实世界数据集上与14个强基线进行了大量实验，展示了RCoCo的有效性。