用于多视图和渐进式网络对齐的后向关系增强方法

《Expert Systems with Applications》：Posterior Relation Augmentation for Multi-view and Gradual Network Alignment

网络对齐中的关系不完整、网络差异和子图同构问题，本文提出后置关系增强（PRA）范式，通过属性视图与拓扑视图嵌入统一多源异构网络，设计跨领域相似性局部缩放缓解子图同构，并在渐进对齐后增强关系。实验验证PRAMG在4个真实数据集上优于17种基线，UPRAMG超越16种方法，展现高效、鲁棒及内存优势。

　　网络对齐技术是跨网络任务中的关键环节，其核心目标在于识别不同网络之间的节点对应关系。随着研究的深入，越来越多的网络被发现具有复杂的属性和拓扑结构，这使得传统的对齐方法在面对多源网络时显得力不从心。多源网络通常存在不完整性，不同网络之间的拓扑结构和节点属性差异显著，且普遍包含有向关系（如粉丝与被关注者之间的关系）和子图同构现象。这些特性给网络对齐带来了新的挑战，同时也推动了对更有效对齐方法的研究。

现有的网络对齐方法大多依赖于拓扑一致性或属性一致性，或是两者结合的方式。然而，这些方法在处理多源网络时存在诸多不足。首先，网络之间的差异可能导致一致性难以维持，例如在某些网络中，节点可能具有不同的属性，而拓扑结构也可能存在不匹配的情况。其次，子图同构现象可能使节点之间的匹配变得模糊，因为相似的拓扑结构和属性可能导致错误的对齐结果。例如，在两个网络中，如果某些节点在相同的兴趣群体中具有相似的属性和关系，就可能误将它们对齐，从而影响最终的匹配精度。

为了应对这些问题，一些研究尝试通过增强网络关系来缓解不一致性。然而，这些方法在实际应用中仍然存在局限性。一方面，有限的初步对齐结果限制了关系增强的有效性，导致在某些情况下无法准确修正错误的匹配。另一方面，中间阶段的错误对齐可能引入噪声，使得关系增强的效果受到影响。因此，如何在关系增强和有效对齐之间找到平衡，成为当前研究的重要方向。

基于上述问题，本文提出了一种新的对齐范式，即后置关系增强（Posterior Relation Augmentation, PRA）。该范式通过在完成初步对齐之后进行关系增强，从而在减少噪声的同时提高匹配的可靠性。PRA的核心思想在于，利用已有的初步对齐结果，进一步挖掘网络中缺失的关系，并通过这些关系来增强最终的对齐效果。此外，PRA还结合了节点嵌入的更新，使得最终的对齐能够更全面地反映网络的结构和属性。

为了更好地应对网络不一致性和子图同构问题，本文进一步提出了一个名为PRAMG的框架。PRAMG的设计基于PRA范式，并将网络建模为有向和属性化的图结构。通过将属性和拓扑结构分别映射到属性视图和拓扑视图嵌入中，PRAMG能够在不依赖额外数据的情况下，有效整合不同视图的相似性。同时，为了缓解子图同构问题，本文引入了跨域相似性局部缩放（Cross-Domain Similarity Local Scaling, CSLS）技术，该技术能够在不引入额外计算负担的前提下，有效区分相似的节点对，从而提升对齐的准确性。

PRAMG框架不仅关注拓扑结构和属性的一致性，还通过引入CSLS技术来缓解子图同构带来的干扰。这种方法能够有效地识别节点之间的潜在对应关系，避免因局部相似性而误对齐的问题。此外，为了进一步提升对齐的效率和鲁棒性，本文还设计了一个完全无监督的变体，即UPRAMG。UPRAMG能够在不依赖人工标注的情况下，通过自动学习的方式生成初步的对齐结果，并在后续的对齐过程中进行优化。

在实际应用中，PRAMG和UPRAMG展现出了显著的优势。首先，它们能够有效应对网络不一致性和子图同构问题，从而提升跨网络任务的性能。其次，PRAMG和UPRAMG在处理有向和属性化的网络时，具有较高的效率和鲁棒性。通过对四个真实世界数据集的实验验证，结果表明PRAMG在17种现有方法中表现最佳，而UPRAMG在16种方法中也取得了优异的成绩。这些结果不仅证明了PRAMG和UPRAMG的有效性，还展示了它们在计算资源和内存使用方面的优势。

此外，本文还探讨了网络对齐技术的理论基础。通过分析现有的对齐方法，本文揭示了网络不一致性和子图同构问题对对齐效果的影响。研究发现，初步对齐的不足会导致关系增强的效果有限，而中间阶段的错误对齐则可能引入噪声，影响最终的匹配精度。因此，本文提出了一种新的对齐范式，即PRA，该范式能够在减少噪声的同时，提高匹配的可靠性。

为了进一步提升对齐的性能，本文还设计了PRAMG和UPRAMG框架。PRAMG通过整合属性视图和拓扑视图嵌入，以及引入CSLS技术，能够有效缓解子图同构问题，提升跨网络任务的性能。UPRAMG则通过完全无监督的方式，自动学习网络的结构和属性，从而减少对人工标注的依赖，提高对齐的效率和鲁棒性。

在实验部分，本文对PRAMG和UPRAMG进行了全面的评估。通过分析多个真实世界数据集，研究验证了PRAMG在多个指标上的优越性，包括准确率、效率和鲁棒性。同时，UPRAMG也展现了良好的性能，特别是在处理大规模网络时，能够保持较高的计算效率和内存使用优势。这些实验结果不仅证明了PRAMG和UPRAMG的有效性，还展示了它们在实际应用中的潜力。

本文的研究成果具有重要的理论和实践意义。在理论层面，本文揭示了网络对齐过程中存在的关键问题，并提出了新的对齐范式，为未来的研究提供了新的思路。在实践层面，PRAMG和UPRAMG框架能够有效应对网络不一致性和子图同构问题，为跨网络任务提供了更可靠的技术支持。此外，本文还探讨了网络对齐技术在不同应用场景中的适用性，为实际应用提供了理论依据。

总的来说，本文通过深入分析网络对齐的挑战，提出了新的对齐范式和框架，为跨网络任务提供了更有效的解决方案。研究不仅揭示了现有方法的不足，还通过引入新的技术手段，提升了对齐的准确性和效率。这些成果为未来的研究和应用提供了重要的参考价值。