近日，CCF A类顶级国际期刊《IEEE Transactions on Knowledge and Data Engineering》（IF 8.9）报道了伟德国际BETVLCTOR协同控制团队在图神经网络领域网络对齐方向的研究进展，相关成果以 “Graph Alignment Neural Network Model With Graph to Sequence learning” 为题在线发表。

图1 两个网络的对齐示意图

多层网络的层间对齐，也称网络对齐和锚链接预测，是识别和判断跨多个网络的对应节点，这是网络融合、知识发现和跨网络协同控制的重要基础。考虑到多来源、多视角以及多维度异构图数据提供了更加丰富的信息，融合节点多种方面的信息能够实现更加准确地分析。网络对齐除了在社交网络分析中起着至关重要的作用外，它还在很多其他领域有着重要的应用，例如知识图谱融合、在线个性化服务、跨域推荐、多语言知识发现和生物学蛋白质-蛋白质比对等。因此，网络对齐的研究具有重要研究价值和现实需求。

图2 社交领域网络对齐的分类

图3 基于图-序列生成的图对齐神经网络模型框架图

图 4 针对硬对齐评价指标(MRR/Accuracy)的性能对比结果

图5 针对软对齐评价指标( Precision)的性能对比结果

本文介绍了一种基于图-序列生成的节点排序图对齐神经网络模型GANN（Graph Alignment Neural Network），旨在解决现有方法中存在的选择困惑问题和结构一致性假设依赖问题。GANN模型由两个模块组成：图编码器和序列解码器。图编码器模块设计了一种带有嵌入空间约束的网络表示学习方法，以捕捉节点的局部结构和属性信息，并实现节点嵌入和空间调和1对1约束。序列解码器模块提出了一种图到序列的学习模型，用于解决现有图对齐方法所依赖的结构一致性假设问题。在这个模块中，我们引入了基于注意力和LSTM的节点排序机制，用于推断源网络中的一个节点与目标网络中的候选节点序列的对应关系，使正确对齐节点在所得到候选节点序列的前端（表示具有较大的对齐概率）。研究结果表明，GANN在各种真实数据集上的网络对齐任务中优于现有方法。

伟德国际BETVLCTOR为该论文的第一单位，协同控制团队宁念文老师为第一作者，北京邮电大学计算机学院吴斌教授为通讯作者。该研究工作为bevictor伟德官网、北京邮电大学、河南省车联网协同技术国际联合实验室的联合研究成果，受到国家重点研发计划、国家自然科学基金和河南省科技攻关项目的支持。

论文地址：https://ieeexplore.ieee.org/abstract/document/10319086