[论文解读] 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 16

一句话总结

本文提出 GraphUIL，一种图神经网络框架，通过联合建模用户社交网络中的局部邻域结构与全局社区级拓扑结构，以提升跨平台用户身份关联性能。通过整合多阶段聚合机制以实现对局部与全局结构的感知，GraphUIL 在真实数据集上实现了 SOTA 性能，F1 分数达到 0.754±0.018，证明了同时捕捉两种结构层次在身份关联任务中的有效性。

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.

研究动机与目标

• 解决仅使用社交图数据、不依赖用户资料或内容特征时，在多个社交网络间关联用户身份的挑战。
• 通过同时建模局部邻近性与全局网络嵌入，克服现有方法仅关注局部邻近性或全局嵌入的局限性。
• 构建一个半监督学习框架，以保留局部节点级与全局社区级网络结构，从而提升身份关联预测性能。
• 将用户身份关联建模为图表示学习问题，利用图神经网络实现跨平台用户嵌入的端到端学习。

提出的方法

• 提出多阶段聚合（MSA）机制，通过堆叠的局部与全局结构聚合器层，捕获分层的节点表示。
• 在 MSA 架构中引入长跳跃连接，以保留长距离依赖关系，并改善训练过程中的梯度流动。
• 设计双分支编码器，分别处理两个独立的社交网络（SN1 和 SN2），并共享 MSA 层以学习对齐的用户嵌入。
• 通过解码器模块执行网络重构，以监督节点表示的学习过程，确保结构保真度。
• 在编码后的节点特征上使用多层感知机（MLP）预测跨网络的用户身份关联。
• 通过加权组合局部与全局重构损失来优化模型，其中超参数 α 和 β 控制局部与全局结构保持之间的平衡。

实验结果

研究问题

• RQ1 图神经网络能否有效学习同时捕捉局部邻域结构与全局社区级拓扑结构的用户表示，以支持身份关联？
• RQ2 局部与全局结构建模组件在性能提升中各自及协同发挥的作用如何？
• RQ3 在训练目标中，局部与全局结构重构的最优平衡点为何，以最大化关联准确率与 F1 分数？
• RQ4 所提出的 GraphUIL 框架与仅依赖局部邻近性或全局嵌入的现有方法相比表现如何？

主要发现

• GraphUIL 在真实世界数据集上达到 F1 分数 0.754±0.018，显著优于基线方法，证明了联合建模局部与全局结构的有效性。
• 消融实验表明，若移除局部拓扑聚合器（LTA-Agg），准确率下降 0.08，F1 分数下降 0.2，表明其在性能中起关键作用。
• 全局拓扑聚合器（GTA-Agg）也具有显著贡献，其移除导致准确率下降 0.04，F1 分数下降 0.1，显示出与 LTA-Agg 的互补优势。
• 超参数分析表明，最优的局部与全局重构平衡点位于 α=10 且 β=1，其中 α 控制全局损失，β 控制局部损失。
• 当全局重构损失权重更高（α > 1）且局部重构损失适度加权（β < 1）时，模型表现最佳，表明全局结构对欠拟合更敏感。
• 该框架对噪声和偏差的社交网络数据表现出鲁棒性，因其仅依赖图结构，适用于实际部署场景，尤其在用户资料不完整或隐私受限时更具适用性。