Mapping Users across Networks by Manifold Alignment on Hypergraph
使用超图的概念学习用户embedding
1 与传统的半监督流形对齐方法不同，本文采用超图方法对高阶关系进行建模。对于一个网络中的目标用户，该算法根据其成为相应用户的可能性对另一个网络中的所有用户进行排序。此外，基于用户名比较的方法可以很容易地融入到算法中，进一步提高映射精度。实验结果证明了该算法在跨网络映射用户方面的有效性。
2 超图的每个顶点对应一个用户，超边用于模拟用户之间的各种社会关系，如友谊和同组成员关系.
3 关于超图的定义
基本来说超图就是点和边组成。H代表点和边关系矩阵，就是点边矩阵。f，g分别是图Gx和图Gy的
节点嵌入表示。
4 Manifold Alignment on Hypergraph (MAH)
假设学习的节点向量是1维，如果fi和gi是同一个节点，即学习的目标是 fi=gi
损失函数为
思想就是，如果有多个相同的超边的话，那么嵌入的空间应该接近。
（1）可变化为
最终损失函数：
多维空间类似
最终使用向量计算相关度，利用相关度计算匹配对。