[发明专利]一种无监督的跨平台用户身份关联方法

说明书

本发明公开了一种无监督的跨平台用户身份关联方法，包括以下步骤：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；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。本发明中，利用自动编码器对源网络和目标网络进行表征学习，再利用鉴别器鉴别输入样本的真伪，最终通过训练得到的节点表征计算用户节点之间对齐的可能性。

技术领域

本发明涉及跨平台用户身份关联技术领域，尤其涉及一种无监督的跨平台用户身份关联方法。

背景技术

在现实生活中，已知锚链通常难以获得，在锚链缺失或数量较少的情况下此类半监督或有监督方法不再适用，因此提出无监督跨平台用户身份关联方法，首先利用自动编码器对源网络和目标网络进行表征学习，再利用鉴别器鉴别输入样本的真伪，最终通过训练得到的节点表征计算用户节点之间对齐的可能性。

发明内容

本发明的目的在于提供一种无监督的跨平台用户身份关联方法，利用自动编码器对源网络和目标网络进行表征学习，再利用鉴别器鉴别输入样本的真伪，最终通过训练得到的节点表征计算用户节点之间对齐的可能性。

为了实现上述目的，本发明采用了如下技术方案：一种无监督的跨平台用户身份关联方法，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。

作为上述技术方案的进一步描述：

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。

作为上述技术方案的进一步描述：

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。

作为上述技术方案的进一步描述：

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：