[发明专利]一种联合学习表示和对齐的弱监督用户身份链接方法

权利要求书

1.一种联合学习表示和对齐的弱监督用户身份链接方法，其特征在于，该方法包括以下步骤：

1)分别采集源网络G^s＝(U^s,A^s,E^s)与目标网络G^t＝(U^t,A^t,E^t)的社交平台用户数据，并且同时获取部分跨网络用户已知的对应关系集合T＝{(u_i,u_j)|u_i∈U^s,u_j∈U^t}，其中，U^s,U^t分别为源网络和目标网络的用户节点集合，A^s,A^t分别为源网络和目标网络的属性矩阵，E^s,E^t分别为源网络和目标网络的邻接矩阵；

2)设定表示向量的维度d和卷积层数L；

3)分别对源网络和目标网络进行嵌入学习，得到源网络用户表示Z^s和目标网络用户表示Z^t；

4)基于跨表示空间的映射函数Φ将源网络的用户表示Z^s映射到目标网络的表示空间中，分别获得源网络和目标网络在同一空间中的用户表示Z′^s＝Φ(Z^s)，Z^t；

5)根据已知的对应关系集合T＝{(u_i,u_j)|u_i∈U^s,u_j∈U^t}进行跨网络强对齐训练，则对应的强对齐损失函数的表达式为：

其中，d(·)为依据实际网络情况定义的距离函数；

6)获取已知的对应关系集合T＝{(u_i,u_j)|u_i∈U^s,u_j∈U^t}中的每对用户的潜在对齐用户对记为集合N(u_i,u_j)＝{(u_ip,u_jq)|u_ip∈N(u_i),u_jq∈N(u_j)}；

7)对集合N(u_i,u_j)中的每对用户基于注意力机制计算对应的权重α_pq；

8)基于已知的对应关系集合T、潜在对齐用户对集合N(u_i,u_j)以及权重α_pq进行跨网络弱对齐训练，则对应的弱对齐损失函数的表达式为：

9)联合源网络和目标网络的嵌入损失函数、强对齐损失函数和弱对齐损失函数，更新聚合操作、连结操作以及映射函数中神经网络的权重矩阵和偏置参数，则更新公式为：

L_joint＝L_emb(G_s)+L_emb(G_t)+λ(L_hard+L_soft)；

10)更新参数直至收敛，得到最终属于同一表示空间的源网络和目标网络用户表示Z′^s＝Φ(Z^s)，Z^t；

11)计算u_s∈U^s的z'^s(u)∈Z′^s与目标网络中每个节点向量z^t(u)∈Z^t的余弦相似度，并按照降序进行排序，并根据排序结合用户名属性获取源网络用户u_s在目标网络中的对应锚用户，完成身份链接。