[논문 리뷰] Multi-level Graph Convolutional Networks for Cross-platform Anchor Link Prediction

Hongxu Chen, Hongzhi Yin외 4명|arXiv (Cornell University)|2020. 06. 02.

Advanced Graph Neural Networks참고 문헌 46인용 수 7

한 줄 요약

이 논문은 간단한 그래프와 초그래프 구조에서 동시에 노드 임베딩을 학습하여 크로스플랫폼 앵커 링크 예측 성능을 향상시키는 새로운 프레임워크인 다중 수준 그래프 컨볼루션 네트워크(MGCN)를 제안한다. 다중 수준 그래프 컨볼루션과 이중 단계 공간 보정 메커니즘을 통합함으로써, 사용자 생성 콘텐츠나 인구 통계 데이터에 의존하지 않고도 대규모 사회 네트워크에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Cross-platform account matching plays a significant role in social network analytics, and is beneficial for a wide range of applications. However, existing methods either heavily rely on high-quality user generated content (including user profiles) or suffer from data insufficiency problem if only focusing on network topology, which brings researchers into an insoluble dilemma of model selection. In this paper, to address this problem, we propose a novel framework that considers multi-level graph convolutions on both local network structure and hypergraph structure in a unified manner. The proposed method overcomes data insufficiency problem of existing work and does not necessarily rely on user demographic information. Moreover, to adapt the proposed method to be capable of handling large-scale social networks, we propose a two-phase space reconciliation mechanism to align the embedding spaces in both network partitioning based parallel training and account matching across different social networks. Extensive experiments have been conducted on two large-scale real-life social networks. The experimental results demonstrate that the proposed method outperforms the state-of-the-art models with a big margin.

연구 동기 및 목표

• 사용자 생성 콘텐츠가 가용하지 않을 경우 크로스플랫폼 계정 매칭에서 데이터 부족 문제를 해결하기 위해.
• 고품질 사용자 프로필에 크게 의존하거나 콜드 스타트 또는 소규모 설정에서 일반화 능력이 떨어지는 기존 방법의 한계를 극복하기 위해.
• 로컬 네트워크 토폴로지와 고차원 초그래프 구조를 모두 활용하여 향상된 노드 표현 학습을 위한 확장 가능하고 통합된 프레임워크를 개발하기 위해.
• 분할된 분산 환경에서 이중 단계 공간 보정 메커니즘을 통해 효과적인 대규모 훈련을 가능하게 하기 위해.

제안 방법

• 이 프레임워크는 단순 그래프와 초그래프 구조를 동시에 처리하기 위해 전용 GCN 커널을 사용하는 다중 수준 그래프 컨볼루션 네트워크(MGCN)를 활용한다.
• 단순 그래프(쌍방향 관계)와 초그래프(다중 노드 관계) 표현에서 함께 노드 임베딩을 학습할 수 있는 통합 아키텍처를 도입한다.
• N-호프 이웃 또는 중심성 기반 그룹화와 같은 다양한 의미적 정의를 사용하여 초그래프를 구성함으로써 고차원 사회적 구조를 포착한다.
• 네트워크 파artitions 간 및 서로 다른 소셜 네트워크 간 분산 훈련 중에 임베딩 공간을 정렬하기 위해 이중 단계 공간 보정 메커니즘을 설계한다.
• 학습 가능한 파rameter를 가진 그래프 컨볼루션 연산을 사용하여 이웃 정보를 집계함으로써 강건성과 표현 품질을 향상시킨다.
• 엔드 투 엔드 훈련 및 추론을 지원하며, 실제 대규모 소셜 네트워크에 적합한 확장성과 적응 가능성에 중점을 둔다.

실험 결과

연구 질문

• RQ1 단순 그래프와 초그래프에서의 공동 학습이 크로스플랫폼 앵커 링크 예측 성능을 향상시킬 수 있는가?
• RQ2 사용자 생성 콘텐츠가 제한되거나 가용하지 않을 경우 다중 수준 그래프 컨볼루션은 노드 표현 학습을 어떻게 향상시킬 수 있는가?
• RQ3 초그래프 구조를 통합할 경우 콜드 스타트 및 저데이터 환경에서 모델의 강건성과 일반화 능력에 어떤 영향을 미치는가?
• RQ4 이중 단계 공간 보정 메커니즘은 분산된 대규모 네트워크 훈련에서 임베딩 공간을 효과적으로 정렬할 수 있는가?

주요 결과

• 제안된 MGCN 프레임워크는 두 개의 대규모 실세계 소셜 네트워크에서 최신 기술 수준의 방법을 크게 앞서며 뚜렷한 성능 격차를 확보한다.
• 사용자 프로필이나 인구 통계 데이터에 의존하지 않아도, 특히 데이터가 부족한 상황(예: 콜드 스타트 설정)에서 뛰어난 강건성과 일반화 능력을 보여준다.
• 초그래프 구조의 통합은 이중 연결을 넘어서는 고차원 사회적 관계를 포착함으로써 표현 학습을 향상시킨다.
• 이중 단계 공간 보정 메커니즘은 네트워크 파artitions 및 서로 다른 소셜 플랫폼 간의 임베딩 공간을 효과적으로 정렬하여 확장 가능한 훈련을 지원한다.
• 광범위한 실험을 통해 MGCN이 고희소성과 제한된 데이터 조건에서도 높은 성능을 유지하는 것으로 확인되었다.