[论文解读] Partial Network Alignment with Anchor Meta Path and Truncated Generic Stable Matching

Jiawei Zhang, Weixiang Shao+3 more|arXiv (Cornell University)|Jun 16, 2015

Advanced Graph Neural Networks参考文献 36被引用 5

一句话总结

该论文提出PNA，一种新颖的部分网络对齐方法，通过利用锚点元路径和截断的通用稳定匹配算法，预测部分对齐社交网络之间的锚点链接。通过结合张量分解进行拓扑特征学习与稳定匹配以强制执行一对一映射约束，PNA在真实世界数据集上显著优于现有方法，展现出更优的准确性和在类别不平衡下的鲁棒性。

ABSTRACT

To enjoy more social network services, users nowadays are usually involved in multiple online social networks simultaneously. The shared users between different networks are called anchor users, while the remaining unshared users are named as non-anchor users. Connections between accounts of anchor users in different networks are defined as anchor links and networks partially aligned by anchor links can be represented as partially aligned networks. In this paper, we want to predict anchor links between partially aligned social networks, which is formally defined as the partial network alignment problem. The partial network alignment problem is very difficult to solve because of the following two challenges: (1) the lack of general features for anchor links, and (2) the "one-to-one$_\le$" (one to at most one) constraint on anchor links. To address these two challenges, a new method PNA (Partial Network Aligner) is proposed in this paper. PNA (1) extracts a set of explicit anchor adjacency features and latent topological features for anchor links based on the anchor meta path concept and tensor decomposition techniques, and (2) utilizes the generic stable matching to identify the non-anchor users to prune the redundant anchor links attached to them. Extensive experiments conducted on two real-world partially aligned social networks demonstrate that PNA can solve the partial network alignment problem very well and outperform all the other comparison methods with significant advantages.

研究动机与目标

• 为解决在仅部分用户跨网络共享的背景下，预测部分对齐社交网络中锚点链接的挑战。
• 克服异构网络环境下锚点链接缺乏可泛化特征的问题。
• 处理锚点链接映射中的一对一（最多一个）约束，防止产生虚假或冗余的链接预测。
• 通过过采样和欠采样策略缓解锚点链接预测中的类别不平衡问题。
• 开发一种可扩展且准确的框架，适用于Foursquare和Twitter等特定平台之外的场景。

提出的方法

• PNA利用锚点元路径概念提取显式的锚点邻接特征和潜在的拓扑特征，以捕捉跨网络的结构相似性。
• 应用张量分解技术以建模高阶网络结构，并生成低秩表示用于特征学习。
• 采用通用稳定匹配算法以修剪冗余的候选链接，确保每个用户最多与另一个网络中的一个用户匹配。
• 通过整合链接采样策略来应对类别不平衡问题，通过平衡正样本（锚点）和负样本（非锚点）的训练样本。
• 基于置信度分数对稳定匹配中的偏好列表进行截断，以在保持预测准确性的前提下降低计算成本。
• 最终对齐通过从修剪后的列表中选择前K个候选链接确定，以同时优化精度和效率。

实验结果

研究问题

• RQ1 如何在部分对齐且异构的社交网络中，有效提取锚点链接的可泛化特征？
• RQ2 张量分解在锚点链接预测的拓扑特征表示方面能提升到何种程度？
• RQ3 通用稳定匹配能否有效强制执行锚点链接的一对一（≤1）约束，同时减少误报？
• RQ4 在训练数据存在严重类别不平衡的情况下，所提方法的性能表现如何？
• RQ5 在应用截断稳定匹配时，预测准确率与计算成本之间存在何种最优权衡？

主要发现

• PNA在两个真实世界部分对齐社交网络数据集上的锚点链接预测准确率显著优于所有基线方法。
• 使用锚点元路径和张量分解相比平台特定特征，能生成更鲁棒且更具泛化能力的特征表示。
• 截断的通用稳定匹配能有效减少冗余候选链接数量，提高精度而不损失召回率。
• 得益于有效的过采样和欠采样策略，该方法在极端类别不平衡条件下仍保持高性能。
• 使用较低的K值（如K=50）进行部分匹配可实现更高的准确率和更低的时间成本，证明了剪枝策略的高效性。
• 在K和η的中间值处性能达到峰值，表明在类别不平衡设置下，结合剪枝的Top-K置信度排序可获得最优结果。