《Deep Learning for Community Detection-Progress, Challenges and Opportunities》简要笔记

本文记录阅读《Deep Learning for Community Detection-Progress, Challenges and Opportunities》的简要笔记
论文基本信息：
会议名：International Joint Conference on Artificial Intelligence （IJCAI）
会议级别：CCF-A（人工智能）
年份：2020
标题：Deep Learning for Community Detection-Progress, Challenges and Opportunities
作者及工作单位：

Abstract

社区内成员具有相似的观点、相似的功能、相似的目的等，社区发现在科学研究和数据分析中都是非常重要和有用的工具。（指明社区发现的重要性）然而，经典的社区发现方法，如聚类聚类和统计推断，正在被淘汰。因为深度学习方法显示出越来越多的能力来处理高维图数据，并具有很好的性能。（经典方法的不足，引出DL）因此，总结深度学习方法在社区发现领域的当前进展是及时的。（必要性）本文分为该领域的三大研究点——deep neural networks、deep graph embedding、graph neural networks，总结了每个研究点中各种框架、模型和算法的贡献，以及目前尚未解决的挑战和未来的研究机遇。（本文内容）

1 Introduction

如何判断是否是社区？

网络和图的两个基本元素是节点和边。图理论提供了两个规则来判断节点和边是否能形成一个社区：（1）一个社区内的节点是紧密联系的（2）不同社区内的节点具有稀疏连接。
一个简单的理解是，社区是包含更多内部连接而不是外部连接的子图。
如下图所示，分为 C1 和 C2 两个社区

传统社区发现方法的不足

大多数传统的社区发现方法是基于统计推断和传统的机器学习方法。然而，尽管这些方法在过去取得不错的效果，但面对当今复杂的数据集和复杂的社会场景，这一策略很难。在传统的机器学习中，社区发现通常被认为是图上的聚类问题，但这些方法高度依赖于数据的特征。因此，迫切需要更强大的技术。

深度学习方法的优势

通过深度学习，计算模型可以在多个层次上学习数据的表示，这非常适合网络数据。此外，它学习非线性特征的能力也有了很大的进步，在数据有内在关系的广泛领域，如计算机视觉和自然语言处理，都取得了成功。此外，深度神经网络可以降低数据的维数，这扩大了社区发现、节点分类和链路预测等网络分析任务的范围。

本文的三个主要部分

（1）回顾和评估各种深度学习方法在社区发现中的优势；
（2）从技术层面总结和分类当前最先进的研究；
（3）确定并讨论尚未解决的技术挑战，以及未来研究的机遇

2 Community Dtection

介绍 网络（Network）和 社区（Community）的概念

Network

根据图论，加权网络表示为G = (V, E, W)，未加权网络表示为G = (V, E)，其中V和E分别表示节点和边的集合，W表示E对应的权重。在非加权网络中，W被认为是1，可以从G中去除。
子图 g⊆G 是保留原始网络结构的图的一个分区。子图的划分遵循预先定义的规则，不同的规则会产生不同形式的子图。社区是一种表示真实社会现象的子图。换句话说，社区是一群具有共同特征的人或物。

Community

社区是网络中的子图，其中节点共享密集的连接。我们使用C = {C1, C2，…， Ck}表示从网络G中划分出的k个社区体的集合，其中Ci是该网络分区的第i个社区。聚类到到社区Ci中的节点v满足一个条件：社区内每个节点的入度大于其出度。

3 Why Detection by Deep Learning?

本章介绍采用深度学习方法来发现社区的优势
总结：
（1）采用深度学习方法能改进性能
（2）能够基于更丰富的特征来发现社区（高维特征数据）
（3）基于网络拓扑和节点属性的社区发现能力，以获得更健壮、性能更好的模型
（4）在大规模网络中检测更复杂结构的能力（拓扑结构）

4 Community Detection with Deep Learning

本章从技术上概述了用于社区发现的深度学习的最新研究进展。每个小节涵盖了三大类方法中的一种，即深度神经网络、深度图嵌入和图神经网络。

5 Challenges and Opportunities

尽管近年来，特别是最近五年，我们目睹了深度学习在社区发现方面的快速发展，但仍有一些问题需要更好的解决方案，挑战仍未解决。

社区数量：社区发现前，我们并不知道要划分成多少个社区（相当于聚类里的聚类簇数，可视为一个超参数）
分层网络：由多层网络组成。对于多层网络，社区发现若能够提取分层表示，则社区发现效果更好。
网络异质性：对于异质网络，社区发现将会有更大的挑战性
边的信息：如何考虑边的不同信息？
社区嵌入表示：关注的是整个社区的表示，而不只是节点表示（不止1阶和2阶邻居，如何去获取更高阶邻居的信息）
网络动态性：如今的社交网络是变化的，如何关注到网络动态性？（如拓扑结构改变）
大规模网络