基于拓扑结构表示学习的大规模无监督图对齐方法研究

图数据因其较强的复杂关系表征能力受到广泛关注,在社交网络、学术合作、道路交通、生物信息等多个领域具有重要应用.图对齐技术旨在找出不同图中属于同一实体的节点对,在多个领域具有重要的应用价值,例如,对不同社交网络中属于同一个用户的账号进行关联可以为推荐系统提供更丰富的用户行为画像,对不同生物组织的蛋白质网络进行对齐能够辅助研究人员分析蛋白质的特性和机能.然而,在缺乏人工标注信息的情况下仅使用图的拓扑结构信息实现无监督图对齐一直是图数据挖掘面临的重要难题之一,特别是在大规模图对齐任务中,存在初始种子节点发现难和计算效率低下的问题.针对以上问题,本文提出了一种基于拓扑结构表示学习的大规模无监督图对齐框架.首先,从待匹配图中选取典型子图作为种子节点候选集,利用局部拓扑结构信息计算得到高可靠的种子节点匹配对;然后利用所得种子节点将待匹配图进行融合,并提出一种高效的无监督表示学习算法将融合图映射到统一的向量空间中;最后利用学习得到的节点向量实现大规模图对齐.与已有方法相比,本文所提方法在大规模图对齐任务中用时最短,对齐结果准确率最高,且算法性能受图结构的差异性影响最小.