[发明专利]一种无监督的跨平台用户身份关联方法

权利要求书

1.一种无监督的跨平台用户身份关联方法，其特征在于，包括以下步骤：

S1：获取源网络和目标网络的表征图和然后通过一个共享编码器对源网络和目标网络的表征图进行表征学习，获取源网络和目标网络的表征图各自初始的节点特征Z_s和Z_t；

S2：根据获取的节点表征Z_s和Z_t重构源网络的邻接矩阵和属性矩阵，并根据邻接矩阵和属性矩阵与原网络对比计算获取整体模型关于网络重构部分的损失函数，引入对抗训练模型；

S3：在对抗训练模型末端设置一个有多层感知机构构成的鉴别器D,将Z_t作为虚假的节点表征，将Z_s作为真实节点表征训练鉴别器D，使鉴别器D能够将Z_s和Z_t区分开；

S4：通过鉴别器D鉴别来源于不同网络的节点表征，最终得到分布非常相近的节点表征向量，进而计算余弦距离判断相似度完成关联匹配。

2.根据权利要求1所述的一种无监督的跨平台用户身份关联方法，其特征在于，所述源网络和目标网络的表征图和其中，X_s分别代表图G_s的边、点几何以及用户属性矩阵。

3.根据权利要求1所述的一种无监督的跨平台用户身份关联方法，其特征在于，所述共享编码器对源网络和目标网络的表征图进行表征学习，其中，采用图卷积神经网络作为共享编码器，获取源网络和目标网络的表征图各自初始的节点特征Z_s和Z_t具体计算方式为：

其中，W^(l)是共享GCN的权重矩阵，R_s,R_t分别为和的度矩阵，采用图卷积神经网络作为共享编码器。

4.根据权利要求1所述的一种无监督的跨平台用户身份关联方法，其特征在于，所述步骤S2中根据邻接矩阵和属性矩阵与原网络对比计算获取整体模型关于网络重构部分的损失函数具体包括以下步骤：

S2.1：分别使用节点表征向量的内积和全连接层来重构原有网络的结构信息和属性信息，并利用重构得到的邻接矩阵和属性矩阵与原网络对比得到损失函数：

S2.2：根据损失函数分别得到两个网络表征对应的重构损失函数：

其中，α负责控制属性重构和结构重构之间的权重；

S2.3：根据两个网络表征对应的重构损失函数计算获取整体模型关于网络重构部分的损失函数：

5.根据权利要求1所述的一种无监督的跨平台用户身份关联方法，其特征在于，所述多层感知机构成的鉴别器D采用两层全连接层构成的多层感知机作为鉴别器D：其中，是鉴别器的训练参数集合。

6.根据权利要求5所述的一种无监督的跨平台用户身份关联方法，其特征在于，所述鉴别器D负责区分虚假的节点表征Z_t与真实节点表征Z_s，作为编码器的图卷积神经网络则倾向于生成与Z_s分布更加接近的虚假样本Z_t，通过这样的对抗训练可以进一步缩小生成的Z_s与Z_t之间的分布差异，从而可以直接计算两者之间的距离或相似度来度量节点之间匹配的可能性。

7.根据权利要求6所述的一种无监督的跨平台用户身份关联方法，其特征在于，所述对抗训练部分的损失函数如下：

其中，整体目标函数为：

其中，是重构部分的训练参数集合。