DegUIL：面向长尾用户身份链接的度感知图神经网络
摘要：用户身份关联（UIL）是跨社交网络数据挖掘中的一项基本任务，其目的是匹配一个人在不同社交网络上的账户。最近的研究通过利用图神经网络（GNN）来捕捉网络结构，取得了不错的结果。然而，它们很少分析影响UIL性能的实际节点级瓶颈。首先，图中的节点度数差异很大且呈长尾分布。由于结构信息有限，一大部分度数较小的尾节点在表征中被低估，严重影响了关联性能。第二个常常被忽视的瓶颈是超级头节点。普遍认为头节点的性能较好，然而我们发现一些度数非常高的头节点在匹配对应节点时也面临困难，这是因为在真实社交图中，由于随机关注朋友引入的噪声。为了学习这两类节点的理想表示，本文提出了一种度数感知模型DegUIL来缩小节点度差距。为此，我们的模型分别通过补充尾节点的邻居信息和剔除超级头节点的冗余结构信息来预测和校正邻居偏差。具体来说，通过两个模块在训练时利用结构充足的头节点的知识，获取理想的邻居信息，用于在GNN中进行有意义的聚合。大量实验证明了我们模型的优越性。我们的数据和代码可在https://github.com/Longmeix/DegUIL找到。
作者：Meixiu Long, Siyuan Chen, Xin Du, Jiahai Wang
论文ID：2308.05322
分类：Social and Information Networks
分类简称：cs.SI
提交时间：2023-08-11