[发明专利]一种基于风格迁移的社交网络用户节点匹配方法

权利要求书

1.一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，包括以下步骤：

步骤1，目标网络节点低维表征的训练以及风格提取；利用自动编码器Auto-encoder训练得到目标网络的节点表征，解码器则利用表征重构属性与结构信息，通过减小重构信息与目标网络初始信息的误差，引导网络节点表征的训练；同时，将编码器中训练好的权重矩阵提取出来，作为目标网络的风格信息；

步骤2，源网络内容信息与目标网络风格信息的融合；融合步骤1中得到的目标网络风格信息以及源网络的内容信息，同样利用自动编码器训练网络得到具有目标网络风格的源网络节点表征；

步骤3，相似度矩阵的计算与修正；利用步骤1与步骤2得到的源网络和目标网络的节点表征，计算两两之间的余弦相似度得到相似度矩阵，并利用拓扑一致性修正相似度矩阵，最终利用相似度矩阵得到匹配结果。

2.根据权利要求1所述的一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，目标网络节点低维表征的训练以及风格提取具体包括：

1)设源网络G_S(V_S,E_S)与目标网络G_T(V_T,E_T)，其中V_S,V_T代表网络的节点集合，E_S,E_T代表网络边的集合；邻接矩阵A_S∈R^m×m,A_T∈R^n×n代表网络拓扑结构信息，其中m,n分别为两个网络的节点数，邻接矩阵中不为零的元素代表，当前元素行列号对应的两个节点之间存在相连关系，否则不相连；网络节点的属性则通过X_S∈R^m×d,X_S∈R^n×d矩阵来表示，其中d为属性的维度；

2)编码器为Graph convolutional networks，简称GCN，GCN作为本算法中的encoder，将目标网络的节点与结构信息编码得到每个节点的低维表征，该部分形式化定义为：

其中为源网络编码器第l层卷积层的输入，为第l层卷积层的输出，对于第一层卷积层，用属性矩阵X_S来代替是GCN中需要训练的权重矩阵，在训练GCN网络的过程中，其权重矩阵将网络更深层次的信息提取出来，而该信息被称为风格信息；其中卷积函数定义如下：

其中σ(·)是非线性激活函数，另外而而是一个对角矩阵，其对角线上的元素通过构造多层这样的卷积层，得到最终的编码器：

3)通过encoder编码得到的节点低维表征，通过decoder重构目标网络的结构信息和属性信息(A_T与X_T)，结构信息重构的形式化定义如下：

属性信息重构的形式化定义如下：

其中FC_T为两层全连接层；得到重构后的结构信息与属性信息后，通过计算重构误差，更新网络权重参数，这两部分的Loss函数分别为：

最终该部分的重构Loss为：

通过训练使重构Loss达到最小，GCN中的权重矩阵中将包含目标网络更加深层的特征信息，将这部分信息视作风格信息。

3.根据权利要求1所述的一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，源网络内容信息与目标网络风格信息的融合具体包括：通过将源网络的内容信息(A_S与X_S)与步骤1得到的目标网络风格信息矩阵融合，组成新的混合卷积层，生成具有目标网络风格的源网络节点表征，该步骤与步骤1中卷积过程相似，形式化为：

其中为融合目标网络风格信息与源网络内容信息的节点表征，利用该风格迁移的思想，将源网络中的节点表征映射到目标网络的空间中。

4.根据权利要求1所述的一种基于风格迁移的社交网络用户节点匹配方法，其特征在于，相似度矩阵的计算与修正包括：

1)利用步骤1中得到的目标网络节点的低维表征Z_T以及步骤2中通过风格迁移得到的源网络节点低维表征根据余弦相似度计算得到从目标网络到源网络任意节点对之间的相似度，形式化定义如下：

2)根据拓扑一致性，对计算得到的相似度矩阵进行优化，对于目标网络中的每一个节点v_i，取出当前相似度矩阵中于其最相似的前top-k个点并找到k个候选节点中每一个点的邻居节点计算与N(v_i)之间存在的匹配节点对数Δ_ij，其形式化定义如下：

其中f(p,q)其用来判断两个节点之间是否存在匹配关系，若匹配，则值为1，否则为0；当得到目标网络每个节点的Δ值后，通过softmax将所有Δ值进行归一化处理，最后与相似度矩阵对应位置的元素相加，完成修正：

S_ij＝S_ij+Δ_ij

3)相似度矩阵经过优化后，进行进一步的节点匹配，对于每一个目标网络的节点v_i，仅考虑源网络中前k个与其最相近的节点，作为v_i在源网络中的候选对齐节点。