論文筆記：Predict Anchor Links across Social Networks via an Embedding Approach

Predict Anchor Links across Social Networks via an Embedding Approach

• 目标
• 方法
• • 網絡建構
  • embedding
  • matching
  • 總目标函數

目标

找兩個不同的社交網絡中的anchor link

方法

方法分為兩部分

• embedding

• matching

  總體的目标函數就是最小化embedding的目标函數和matching的目标函數：

  

  其中Le和Lm表示embedding和matching的loss。

  embedding步驟的輸入是source network Gs和target network Gt，輸出是source network 的節點表示Zs和target network 的節點表示Zt。T是anchor link對。

  matching步驟的輸入是source network Gs和target network Gt，和已知的anchor link T，目标是學習到match function o。

  

網絡建構

兩個社交網絡互補，比如在facebook中使用者i和j有連接配接，但是在Twitter中沒有連接配接，那麼我們就要在Twitter網絡中加入i和j之間的連接配接。在論文中，将兩個網絡成為source network和target network，如圖的補充部分：

對于Gs補充邊後的數學表達：

embedding

對于兩個社交網絡（比如Twitter和Facebook），分别embedding，将節點變成向量。

embedding的目标函數：

意思是為了最大化相關的節點的相似性，也就是最大化zi和zj相關節點對的點乘。第一項是目标，第二項是negative sample。

matching

在embedding後的基礎上，通過對已知的anchor link的參數學習，來得到match function的參數。目标函數：

在這裡，theta就是match function的參數。

在學習的時候，這個映射函數可以是線性的，也可以通過多層網絡變成非線形的。

總目标函數

總目标函數就是Le+Lm