基于表示学习的跨社交网络用户对齐研究

User alignment across social networks aims at aligning person's identities in multiple social networks. As a fundamental research of social network analysis, this task benefits several constructions of social network applications, such as link prediction system, online recommendation system, information diffusion and social media monitor system, etc. Due to the diversity and closure across different social platforms, there are still several challenges on the feature extraction and model training. In this proposal, we use representation learning as fundamental learning algorithm, firstly, deeply dig the complex structure features of users’ relationships for solving the problem on content feature extraction which is caused by diverse manifestation of content and users’ profiles across social networks. And then, focused on diverse purposes of users taking part in different social networks, we analyze and quantify users’ tendencies of following anchor user’s actions across networks, for solving the problem on structural feature extraction which is caused by different ratio of following anchor between user pairs across social networks. Thirdly, explores semi-supervised/unsupervised learning paradigm such as dual learning, for solving the model training problem which is caused by lacking labeled data under the condition of closure across networks. Finally, a demo system is built based on the researches and the performance of algorithm is evaluated using the real-world data.

跨社交网络用户对齐是指将用户在不同社交网络中的身份标识对应起来。该研究作为社交网络分析的一个重要基础，有利于链接预测系统、在线推荐系统、信息传播和舆情监控系统等社交网络应用的构建。由于跨社交网络的多样性和封闭性，该任务仍面临一些在特征抽取和模型训练上的挑战。在本项目中，我们以表示学习方法为基础，首先，针对社交网络普遍存在的用户关系，发掘用户关系复杂结构特征，解决因用户信息与内容表现方式多样所带来的内容特征抽取问题。其次，针对用户跨网络参与社交活动的目的多样性，分析量化用户跨网络关注相同好友的行为倾向，解决用户关注相同好友比例的差异所带来的结构特征抽取问题；再次，探索对偶学习等半监督或无监督学习范式，解决由于平台封闭导致标注数据缺失所带来的模型训练问题。最后，针对上述研究建立原型系统，在真实数据上对算法的性能进行分析与评价。

本项目以构建跨社交网络用户对齐模型为目标，系统研究了对齐任务驱动的跨社交网络表示学习理论与方法。具体而言，本项目分别从高阶结构信息利用，用户社交倾向建模，用户表达空间引导三个方面入手，尝试将社区结构发现，注意力机制，元学习等算法融合至用户跨网表示学习框架中，取得了如下主要成果。发现了社区结构多样性对于用户社交网络对齐的辅助作用，提出了基于高阶结构多样性的跨网络用户表示方法，为融合高阶结构信息进行网络表示学习建模提供思路。针对无权重的社交网络关系，提出基于注意力机制的用户关系建模方法，在学习得到对齐驱动的注意力权重基础上，融合表示学习模型对跨网络用户进行表示。在弱监督环境下，分析了用户表达空间存在“模糊匹配”现象。进而提出结合虚节点植入和元学习的跨网络用户表示学习框架。该框架可以有效对用户表达空间进行引导，从而学到均匀分布的跨网络用户表达空间，提升了目前先进的跨网络用户对齐模型的准确率。针对动态网络环境下用户对齐模型的效率问题，提出了一种跨网络用户关系权重自适应学习方法，进一步结合局部更新策略完成动态网络环境下用户对齐模型。探索了用户对齐模型对于社交网络分析下游任务的辅助作用，提出了基于社交网络对齐的社交网络社区发现方法，进一步证明了所研究模型的有效性和应用价值。总体来说，本项目在研究过程中，形成了一系列的跨社交网络用户表示学习理论，尤其是在仅存在结构数据可用的弱监督环境下，在多个角度上探索了用户对齐模型构建的可行性，并提出了一系列的模型构建方法，在多个真实数据集上验证了模型的准确率。本项目相关成果能够为互联网推荐系统，舆情监控系统等一系列互联网应用提供支撑。基于本项目的支持，共计培养硕士研究生14人，其中毕业2人。项目负责人晋升为副教授，并获批全国博士后管委会的“香江学者”计划。