RCoCo：在黎曼空間中的多重网络對比集體鏈接預測
内容提要
该文综述了图神经网络与对比学习在跨平台账户匹配、黎曼空间交互预测、多模态子空间学习、图聚类、知识图谱补全、评论推荐、异构图嵌入及跨域链接预测等任务中的研究，提出了多种新框架与模型，并在真实数据集上验证了其性能优势。
延伸解读
黎曼空间与对比学习的结合
文章提出的CSINCERE模型将交互网络嵌入黎曼空间，利用神经曲率估计器建模空间演化，并通过跨空间聚合和对比学习实现无标签预测。这反映了图表示学习的一个趋势：从欧氏空间转向非欧空间以捕捉复杂结构，同时对比学习减少了对标注数据的依赖。
跨平台账户匹配的数据不足应对
针对跨平台账户匹配中数据不足的问题，文章提出了基于多层图卷积的新框架，能够处理大规模社交网络。这表明在实际应用中，如何利用有限数据实现有效匹配是一个关键挑战，多层图卷积提供了一种可扩展的解决方案。
对比学习在多个图任务中的通用性
从CONGREGATE的图聚类到HeCo的异构图嵌入，再到CoCoGRL的图分类，对比学习被广泛应用于不同图任务。这些工作通过构建多视图或利用几何结构（如Ricci曲率）来设计对比目标，展示了对比学习作为自监督范式在图领域的灵活性和有效性。
跨域链接预测中的分布对齐
文章提到使用最佳传输和最大平均差异正则化器软对齐不同领域的实体分布，以解决跨域链接预测。实验表明最佳传输正则化器能显著提升基线性能。这提示在跨域场景中，显式地对齐分布比单纯学习域不变特征可能更有效。
Q&A
RCoCo 这个研究主要解决什么问题？
RCoCo 主要解决跨平台账户匹配中的数据不足问题，并能够处理大规模社交网络。
CSINCERE 模型是如何进行交互预测的？
CSINCERE 在协同演化黎曼空间中学习顺序交互网络，通过跨不同黎曼几何的表示空间进行交叉空间聚合，并基于黎曼曲率设计神经曲率估计器来建模空间演化，通过重新加权的顺序网络时间视图之间的对比来进行交互预测，无需标签。
CONGREGATE 模型在哪些方面取得了最先进的成果？
CONGREGATE 是一个端到端的对比式图聚类模型，通过构建理论上的异质曲率空间，利用基于 Ricci 曲率的几何学图聚类方法，并通过对比训练，在真实世界图形上取得了最先进的成果。
HeCo 模型是如何进行异构图节点嵌入学习的？
HeCo 是一种自监督异构图神经网络，采用协同对比学习机制，利用两个视图提取两种嵌入，确保两个视图之间相互监督，学习高级节点嵌入，并使用两种 HeCo 扩展生成更难的高质量负样本，提高性能。
跨域链接预测中使用了什么正则化方法？
跨域链接预测中使用最佳传输和最大平均差异正则化器软对齐不同领域之间的实体分布，实验表明最佳传输正则化器有益并显著提高了基线方法的性能。
CoCoGRL 方法主要解决什么问题？
CoCoGRL 主要解决图神经网络在图分类、无监督学习、域适应等领域中需要大量标记成本的问题，使用图结构在多个视图上进行对比学习。
