[論文レビュー] Multi-level Graph Convolutional Networks for Cross-platform Anchor Link Prediction

Hongxu Chen, Hongzhi Yin+4 more|arXiv (Cornell University)|Jun 2, 2020

Advanced Graph Neural Networks参考文献 46被引用数 7

ひとこと要約

本稿では、マルチレベルグラフ畳み込みネットワーク（MGCN）を提案する。これは、単純グラフとハイパーグラフ構造の両方からノード埋め込みを同時に学習することで、クロスプラットフォームアノンリンク予測を向上させる、新しいフレームワークである。マルチレベルグラフ畳み込みと二段階の空間一致メカニズムを統合することで、ユーザー生成コンテンツや人種的属性データに依存せずに、大規模なソーシャルネットワークにおいて最先端の性能を達成する。

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.

研究の動機と目的

• ユーザー生成コンテンツが利用できない状況における、クロスプラットフォームアカウントマッチングのデータ不足問題に対処すること。
• 高品質なユーザープロファイルに強く依存する既存手法の限界を克服し、コールドスタートや小規模な設定においても一般化性能が劣化しないようにすること。
• 局所的なネットワークトポロジーと高次元のハイパーグラフ構造の両方を活用することで、スケーラブルで統合的なフレームワークを構築し、ノード表現学習を向上させること。
• パーティショニングされた分散環境における大規模なトレーニングを効果的に行える二段階の空間一致メカニズムを実現すること。

提案手法

• フレームワークは、単純グラフとハイパーグラフ構造を別々のGCNカーネルを用いて同時に処理するマルチレベルグラフ畳み込みネットワーク（MGCN）を採用する。
• 単純グラフ（ペアワイズ関係）とハイパーグラフ（複数ノード関係）の両方の表現から、ノード埋め込みを統合的に学習するための統一アーキテクチャを導入する。
• ハイパーグラフは、Nホップ近傍や中心性に基づくグループ化など、さまざまな意味的定義を用いて構築され、高次元の社会的構造を捉える。
• 分散環境におけるネットワークパーティションおよび異なるソーシャルネットワーク間でのトレーニング中に、埋め込み空間を一致させるために、二段階の空間一致メカニズムを設計する。
• 学習可能なパラメータを有するグラフ畳み込み演算を用いて近隣情報の集約を実現し、ロバストネスと表現品質を向上させる。
• エンドツーエンドのトレーニングと推論をサポートし、現実の大規模ソーシャルネットワークへのスケーラビリティと適応性に重点を置く。

実験結果

リサーチクエスチョン

• RQ1 単純グラフとハイパーグラフからの共同学習が、クロスプラットフォームアノンリンク予測の性能向上に寄与するか？
• RQ2 ユーザー生成コンテンツが制限されたり利用不可の状況において、マルチレベルグラフ畳み込みがどのようにノード表現学習を向上させるか？
• RQ3 ハイパーグラフ構造を統合することで、コールドスタートや低データ環境におけるモデルのロバストネスと一般化性能にどのような影響を与えるか？
• RQ4 分散環境における大規模ネットワークトレーニングにおいて、二段階の空間一致メカニズムがどのように効果的に埋め込み空間を一致させるか？

主な発見

• 提案されたMGCNフレームワークは、2つの大規模な実世界のソーシャルネットワークにおいて、最先端の手法を著しく上回る性能を達成し、顕著な性能差を示した。
• 本手法は、特にユーザープロファイルや人種的属性データに依存しないデータが乏しい状況（例：コールドスタート設定）において、優れたロバストネスと一般化性能を示した。
• ハイパーグラフ構造の統合により、ペアワイズ接続を超えた高次元の社会的関係を捉えることで、表現学習が向上した。
• 二段階の空間一致メカニズムにより、ネットワークパーティションおよび異なるソーシャルプラットフォーム間での埋め込み空間の一致が効果的に行われ、スケーラブルなトレーニングが可能になった。
• 広範な実験により、MGCNが高スパarsityや限られたデータ条件でも高い性能を維持することが確認された。