属性图社区搜索--QD-GCN（Query-Driven Graph Convolutional Networks for Attributed Community Search）

1.什么是ACS（attributed community search）

• 对于给定的查询节点 (节点+该节点的属性)，找出其所属社区
  

2.ACS问题–传统方法

• 传统方法
  传统方法分两步执行
  1）structural matching：找出查询节点的候选社区结构
  2）attribute filtering：优化属性函数，来缩小或筛选第一步选出的社区
• 缺点
  1）将结构和属性分开处理，忽略结构和属性关联，现实世界的社区结构和属性是有关系的
  2）传统社区搜索基于预定义的子图（先根据如下标准：k-core，k-truss，k-clique，k-edge connected component选出子图），但是现实世界中的图不能很好的严格满足这些标准
  3）属性独立处理（例如GCN和GNN是相似的，传统的方式认为是完全不相关的两个词）

3.ACS问题–本文提出的方法（QD-GCN）

• QD-GCN方法介绍
  design four learning components for different learning tasks
  1）graph encoder
  学习整张图的结构和属性特征（both structure and attribute of entire graph），input图的邻接矩阵A和特征矩阵F，产生graph embedding
  2）structure encoder
  学习与特定查询相关的局部结构特征（query-specific local structural features）,为查询节点提供接口，学习查询节点局部特征，产生查询节点的映射 query-specific structural embedding
  3）attribute encoder
  学习查询节点相关的属性特征，为查询属性提供接口，产生query-specific attribute embedding
  并基于属性结构二分图考虑属性的相似性。

4）feature fusion
融合上述三个编码器的输出，并