본 논문은 소셜 미디어 및 위치 기반 소셜 네트워크(LBSN)의 발전으로 인해 다양한 플랫폼의 체크인 데이터가 사용자 신원 연결(UIL)에 중요해짐에 따라, 플랫폼 간 사용자 정보 추출을 저해하는 데이터 품질 저하, 높은 희소성, 노이즈 간섭 등의 문제를 해결하기 위해 제안된 Correlation-Attention Masked Transformer for User Identity Linkage Network (MT-Link) 모델을 제시한다. MT-Link는 트랜스포머 기반 프레임워크로, 플랫폼 간 사용자의 시공간적 동시 발생 패턴을 학습하여 모델 성능을 향상시킨다. 상관 주의 메커니즘을 사용하여 사용자 체크인 시퀀스 간의 시공간적 동시 발생을 감지하고, 주의 가중치 맵의 안내에 따라 노이즈를 제거하면서 동시 발생 지점에 집중하여 분류 성능을 향상시킨다. 실험 결과, MT-Link는 기존 최고 성능 모델보다 Macro-F1과 AUC 측면에서 각각 12.92%17.76%, 5.80%8.38% 향상된 성능을 보였다.
