社区检测大体上分为传统的谱聚类和统计推断方法。
还有深度学习手段:细分为四类卷积神经网,图注意力,生成对抗网,自编码器。
传统方法聚焦于小型网络居多,现实世界网络具有丰富的非线性信息,所以不方便使用传统方法,。包括复杂拓扑结构,高纬度特征。
社区结构包括节点和边。节点属于社区,那么他的内部度数应该大于外部度数。两个社区之间没又边连接,则称两社区不相交,否则称两社区重叠。
社区检测任务输入网络拓扑结构和网络属性。网络拓扑结构:邻接矩阵,网络属性:如节点属性。
文章对深度学习方法的分类:卷积网络,图自注意力,生成对抗,自编码,深度非负矩阵分解,深度系数滤波。
基于卷积的社群挖掘:将节点的输出作为二分类任务,对全部节点作K次二分类以得到分属K个社区。ComNet-R对边做分类,判断是类内边还是类外边。数据被提前处理为边图或着节点图的形式。
基于GCN的 社群挖掘:利用GCN训练出节点,然后用节点在空间中的聚类,随后返回图中,对节点进行扩展。
GAT:
GAN:一条路生成节点,然后在不同角度进行社区检测。另一条路生成,生成的所有输入都测试、l两者对抗。分类手段主要是,对单节点分类,对嵌入向量聚类,对节点分类结果判断对错。
AE,autoencoder:输入进行编码,再解码回自已,企图挖掘节点信息。可以接受不同类型的图输。
图的分类:静态无属性图,仅有邻接矩阵。静态属性图,邻接矩阵+节点属性。动态图,时序图,节点边实时变化。交叉领域图,?异质图,连接节点的边的类型不同,可以表示不同的社区内边。有属性的多视角图,可以表示不同主题或视角下的图。
非负矩阵分解:分为两个矩阵部分,U\P,U和P分别对应着社区和节点属于社区的概率。
应用:
数据集