[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

说明书

本发明公开了一种基于风格迁移的跨平台用户节点匹配方法，(1)通过auto‑encoder学习目标网络节点低维表征的训练以及从GCN中提取目标网络的风格信息；(2)通过将(1)中得到的风格信息与源网络内容信息融合得到符合目标网络风格的源网络节点表征向量；(3)计算(1)与(2)中分别得到的节点表征之间的相似度从而得到相似度矩阵，并利用拓扑一致性优化相似度矩阵，以提高匹配准确率。

技术领域

本发明属于网络分析领域，特别涉及一种基于风格迁移的社交网络用户节点匹配方法。

背景技术

如今的现实生活中，很多用户为了满足自己对于信息的不同需求，会在多个社交网络平台注册自己的账户，从而从不同渠道获得足够的信息。因此在当今的互联网环境中，每一个用户都可能在不同的社交网络平台中拥有自己的账户，从而作为一个节点存在于各个社交网络中。如今，不同功能的社交网络平台数量迅速增长，如：新浪微博、facebook、豆瓣等，如何找到这些平台中属于同一用户的账号(节点)，成为近年来复杂网络分析的热门话题之一。通过实现跨平台的用户节点匹配，可以将得到的匹配关系应用到用户推荐、链路预测等诸多应用中。因此针对这种现象，本发明提出了基于风格迁移的社交网络用户节点匹配方法。

现有技术1提出了一种基于图卷积的社交网络对齐方法，首先利用图卷积神经网络得到社交网络节点的低维表征，然后利用高斯核函数将低维表征升维，进而得到高维空间中的相似度矩阵。通过锚节点来表示非锚节点，从而得到两个社交网络最终的节点表征。之后利用已知的锚节点信息来学习一个网络映射函数，最后利用该函数将两个社交网络中的节点进行匹配。

现有技术2提出一种适用于DBLP与arXiv网络间用户节点匹配方法。该方法包括(1)在DBLP与arXiv网络中采用基于结构特征的方法得到节点的低维表征；(2)通过局部敏感哈希构建一个锚节点的稀疏加权二分图；(3)通过修建冗余链接预测最终的锚链接集合。

现有技术3提出一种基于全局和局部特征的社交网络用户匹配方法，包括种子发掘和种子扩张两个截断，该方法还提出了将社交网络构建成有权图，用来体现用户节点之间的相关程度，从而进一步提高了用户匹配的效果。

上述网络社团发现方法的专利技术方案在社交网络用户节点匹配的过程中，现有技术1必须在已知部分锚链的前提下实现，然而锚链信息的获取通常是十分困难的；而现有技术2与现有技术3仅利用了网络的结构信息进行节点匹配，很容易陷入局部最优解。

发明内容

本发明的目的在于提供一种基于风格迁移的社交网络用户节点匹配方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

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。

进一步的，目标网络节点低维表征的训练以及风格提取具体包括：