【综述】A Comprehensive Survey on Community Detection with Deep Learning

论文链接：A Comprehensive Survey on Community Detection With Deep Learning | IEEE Journals & Magazine | IEEE Xplore

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