[論文レビュー] Graph Neural Networks for User Identity Linkage

Wen Zhang, Kai Shu+2 more|arXiv (Cornell University)|Mar 6, 2019

Advanced Graph Neural Networks参考文献 26被引用数 16

ひとこと要約

本稿では、ユーザのソーシャルネットワークにおける局所的近隣構造とグローバルなコミュニティレベルのトポロジーを同時にモデル化することで、複数のプラットフォーム間でのユーザID連携を改善するグラフニューラルネットワークフレームワーク、GraphUILを提案する。局所的およびグローバル構造認識のためのマルチステージアグリゲーションを統合することで、実世界のデータセット上でF1スコア0.754±0.018を達成し、最先端の性能を示した。これは、両方の構造的レベルを同時に捉えることの有効性を示している。

ABSTRACT

The increasing popularity and diversity of social media sites has encouraged more and more people to participate in multiple online social networks to enjoy their services. Each user may create a user identity to represent his or her unique public figure in every social network. User identity linkage across online social networks is an emerging task and has attracted increasing attention, which could potentially impact various domains such as recommendations and link predictions. The majority of existing work focuses on mining network proximity or user profile data for discovering user identity linkages. With the recent advancements in graph neural networks (GNNs), it provides great potential to advance user identity linkage since users are connected in social graphs, and learning latent factors of users and items is the key. However, predicting user identity linkages based on GNNs faces challenges. For example, the user social graphs encode both extit{local} structure such as users' neighborhood signals, and extit{global} structure with community properties. To address these challenges simultaneously, in this paper, we present a novel graph neural network framework ({\m}) for user identity linkage. In particular, we provide a principled approach to jointly capture local and global information in the user-user social graph and propose the framework {\m}, which jointly learning user representations for user identity linkage. Extensive experiments on real-world datasets demonstrate the effectiveness of the proposed framework.

研究の動機と目的

• プロファイルやコンテンツ特徴に依存せずに、ソーシャルグラフデータのみを用いて複数のソーシャルネットワーク間でのユーザID連携を解決すること。
• 既存手法が局所的近接性またはグローバルネットワーク埋め込みのどちらかに焦点を当てているのを克服し、局所的およびグローバル構造信号を同時にモデリングすること。
• 局所的ノードレベルおよびグローバルコミュニティレベルのネットワーク構造を保持する半教師あり学習フレームワークを開発し、ユーザID連携予測を向上させること。
• グラフニューラルネットワークを用いてユーザID連携をグラフ表現学習問題として定式化することで、プラットフォーム間でエンドツーエンドのユーザ埋め込みを学習可能にする。

提案手法

• 階層的なノード表現を捉えるために、局所的およびグローバル構造アグリゲータのスタックされた層を適用するマルチステージアグリゲーション（MSA）機構を提案する。
• 訓練中の勾配伝播を改善し、長距離依存性を保持するために、MSAアーキテクチャに長距離スキップ接続を統合する。
• 2つの別々のソーシャルネットワーク（SN1およびSN2）を処理するデュアルブランチエンコーダーを設計し、共有されたMSA層を用いて整合されたユーザ埋め込みを学習する。
• ノード表現の学習を監督するために、復元モジュールによるネットワーク再構築を実施し、構造的整合性を保証する。
• 符号化されたノード特徴にマルチレイヤーパーセプトロン（MLP）を適用し、ネットワーク間でのユーザID連携を予測する。
• 局所的およびグローバル再構築損失の重み付き組み合わせを最適化し、ハイパーパramータ α および β を用いて局所的およびグローバル構造の保持のバランスを制御する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、ユーザID連携のための局所的近隣構造とグローバルコミュニティレベルのトポロジーを両方効果的に捉えるユーザ表現を学習できるか？
• RQ2 局所的およびグローバル構造モデリングコンponentsは、個別および統合的にユーザID連携のパフォーマンスにどのように寄与するか？
• RQ3 連結精度およびF1スコアを最大化するための訓練目的における、局所的およびグローバル構造再構築の最適なバランスは何か？
• RQ4 本稿で提案するGraphUILフレームワークは、単に局所的近接性またはグローバル埋め込みに依存する既存手法と比較して、どのように優れているか？

主な発見

• GraphUILは実世界のデータセットでF1スコア0.754±0.018を達成し、ベースライン手法を顕著に上回り、局所的およびグローバル構造モデリングを統合することの有効性を示した。
• アブレーションスタディの結果、局所的トポロジー・アグリゲータ（LTA-Agg）を削除すると、正解率が0.08低下し、F1スコアが0.2低下することが判明し、性能に果たす重要性が示された。
• グローバルトポロジー・アグリゲータ（GTA-Agg）も顕著な貢献を示しており、削除すると正解率が0.04低下し、F1スコアが0.1低下した。LTA-Aggと相補的な利点を提供していることが明らかになった。
• ハイパーパramータ分析の結果、局所的およびグローバル再構築の最適バランスは α=10 および β=1 で達成され、αはグローバル損失を制御し、βは局所的損失を制御する。
• グローバル再構築損失をより強く重みづけ（α > 1）し、局所的再構築損失をやや弱く重みづける（β < 1）場合にモデルが最も良く動作し、グローバル構造がアンダーフィッティングに対してより感受性があることが示された。
• 本フレームワークは、プロファイルデータが不完全または機微な場合でも、グラフ構造にのみ依存するため、ノイズやバイアスがかかるソーシャルネットワークデータに対して頑健であり、実世界の展開に適している。