[论文解读] 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 7

一句话总结

本文提出多层图卷积网络（MGCN），一种新颖的框架，通过联合学习简单图与超图结构中的节点嵌入，以提升跨平台锚点链接预测性能。通过整合多层图卷积与两阶段空间协调机制，MGCN 在无需用户生成内容或人口统计数据的情况下，实现了大规模社交网络上的最先进性能。

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.

研究动机与目标

• 解决在缺乏用户生成内容时，跨平台账户匹配中的数据不足问题。
• 克服现有方法严重依赖高质量用户资料或在冷启动或小规模场景下泛化能力差的局限性。
• 开发一种可扩展的统一框架，利用局部网络拓扑结构与高阶超图结构，以提升节点表征学习能力。
• 通过在分片式、分布式环境中采用两阶段空间协调机制，实现高效的规模化训练。

提出的方法

• 该框架采用多层图卷积网络（MGCN），利用专用的GCN核，同时处理简单图与超图结构。
• 提出统一架构，联合学习来自简单图（成对关系）与超图（多节点关系）表征的节点嵌入。
• 通过多种语义定义（如N跳邻域或基于中心性的分组）构建超图，以捕捉高阶社交结构。
• 设计两阶段空间协调机制，用于在跨网络分片与不同社交网络之间的分布式训练中对齐嵌入空间。
• 采用带有可学习参数的图卷积操作聚合邻域信息，提升模型鲁棒性与表征质量。
• 框架支持端到端训练与推理，重点在于可扩展性与对现实世界大规模社交网络的适应能力。

实验结果

研究问题

• RQ1 联合学习简单图与超图是否能提升跨平台锚点链接预测的性能？
• RQ2 当用户生成内容有限或不可用时，多层图卷积如何增强节点表征学习？
• RQ3 在冷启动与低数据场景下，引入超图结构对模型鲁棒性与泛化能力有何影响？
• RQ4 两阶段空间协调机制如何在分布式大规模网络训练中有效对齐嵌入空间？

主要发现

• 所提出的MGCN框架在两个大规模真实社交网络上显著优于最先进方法，性能提升显著。
• 该方法在数据稀缺场景（如冷启动设置）下表现出更优的鲁棒性与泛化能力，且无需依赖用户资料或人口统计数据。
• 通过引入超图结构，模型能捕捉超越成对连接的高阶社交关系，从而增强表征学习能力。
• 两阶段空间协调机制有效对齐了跨网络分片与不同社交平台的嵌入空间，支持可扩展训练。
• 大量实验表明，MGCN在高稀疏性与数据有限条件下仍能保持高性能。