基于噪声感知自学习的半监督变分用户身份链接
社会与信息网络
2021-12-15 v1
摘要
用户身份链接旨在将同一自然人在不同社交平台上的身份进行关联,近年来引起了日益增长的研究兴趣。现有方法通常首先将身份嵌入为共享潜在空间中的确定性向量,然后基于可用标注学习分类器。然而,真实世界社交平台的形成与特征充满不确定性,使得这些基于确定性嵌入的方法并非最优。此外,由于不同平台间的巨大鸿沟,收集充足的链接标注十分困难。半监督模型利用未标注数据帮助捕捉内在数据分布,在实际使用中更具前景。然而,现有半监督链接方法严重依赖启发式定义的相似性度量来引入标注与未标注样本间的内在邻近性。这种人工设计的假设可能与实际链接信号不一致,并进一步引入噪声。为应对上述局限,本文提出一种新颖的噪声感知半监督变分用户身份链接(NSVUIL)模型。具体而言,我们首先提出一种新颖的有监督链接模块以融入可用标注。每个社会身份由Wasserstein空间中的高斯分布表示,以同时保留细粒度社会档案并建模身份的不确定性。然后,设计噪声感知自学习模块来忠实扩充少量可用标注,其能够过滤由有监督模块生成的伪标签中的噪声。
引用
@article{arxiv.2112.07373,
title = {Semi-Supervised Variational User Identity Linkage via Noise-Aware Self-Learning},
author = {Chaozhuo Li and Senzhang Wang and Zheng Liu and Xing Xie and Lei Chen and Philip S. Yu},
journal= {arXiv preprint arXiv:2112.07373},
year = {2021}
}