算法1 IONE
這篇論文是半監督的embedding方法。
Aligning users across social networks using network embedding . In IJCAI, 2016.
該方法提取基於嵌入的網絡特性，同時學習每個用戶的follow-ship/followee-ship。
種子用戶身份對受限於社會關係網絡結構語境的轉移。爲匹配未知的用戶標識對，
提出了一種嵌入算法。
摘要
特別地，我們建議學習一個嵌入了每個用戶的follower /followe -ship的網絡，該網絡將每個用戶的follower /followe -ship顯式地建模爲輸入/輸出上下文向量表示，以保持在嵌入空間中擁有相似follower / follo的用戶之間的接近性.在統一的優化框架下，同時解決了網絡嵌入問題和用戶對齊問題。採用隨機梯度下降和負採樣算法來解決可擴展性問題。在真實社交網絡數據集上的大量實驗表明，與幾種最先進的方法相比，該方法的有效性和效率更高。
Introduction
用戶跟隨者關係的構象在某種程度上反映了社區的客觀認識，而跟隨者關係的構象則反映了個人的社會利益。在虛擬網絡中，跟隨者和被跟隨者共同定義了一個人獨特的社會形象，這是很直觀的。此外，大多數現有的工作使用矩陣因子分解計算網絡的結構對齊，其中通常涉及矩陣逆，這使得它們難以擴展到大規模問題。
與現有的NRL方法相比，該網絡嵌入模型將每個用戶的follow -ship和follow - wee-ship顯式表示爲輸入和輸出上下文向量。
IONE可以保持具有“相似”的關注者和關注者集合的用戶在嵌入式空間中的接近性。
3 Model
i) the parents of a node as its input context,
ii) its children as its output context.
vi對vj的貢獻值，其中vi是輸出節點
核心思想就是
（1）從父節點的角度，一對父子節點之間的向量應該滿足父親節點到兒子節點的貢獻值頻率分佈p1。
（2）從子節點的角度看，一對父子節點之間的向量應該滿足兒子從這個父親那邊得到的貢獻值概率分佈p2。
讓兩種分佈的KL離散值最小，計算出他們的向量值。
3.2 、Aligning Network Embeddings of Multiple Networks
we learn an aligned network embedding so that
（1）兩個單獨網絡中的節點的結構接近性儘可能地保留在它們相應的嵌入中
（2）錨節點的表示在嵌入式空間中是一致的，而那些在嵌入式空間中接近的錨節點可以被認爲是用戶對齊的良好候選
Pa參數代表着網絡X中的節點與網絡Y的節點之間的預測關聯關係概率。
就是說用一個概率去關聯兩個網絡中的節點是否是同一個用戶的概率作爲橋連接，就可以聯合學習KL離散值。