嘿,记得给“机器学习与推荐算法”添加星标
| 作者:Xing Su
| 单位:麦考瑞大学
| 研究方向:人工智能与数据科学
社区发现能够揭示各类网络中成员的特征与联系,在网络分析中具有重要意义。近年来,深度学习技术在发现社区结构时,以处理高维数据的优势得到了显著的发展。
本文将为大家介绍一篇2021年最新深度学习社区发现综述。该综述囊括了基于深度学习的社区发现最新方法,并将其分为六大类:基于卷积网络的方法、基于图注意力网络(GAT)的方法、基于生成对抗网络(GAN)的方法、基于自动编码器(AE)的方法、基于深度非负矩阵分解(DNMF)的方法、基于深度稀疏滤波(DSF)的方法。此外,该综述总结了相应的基准数据集、评估指标和开源代码,概述了深度社区发现在不同领域的实际应用场景。最后,作者讨论了深度学习为社区发现问题所带来的各种机遇与挑战,建议了十二个未来研究方向。
![](https://i-blog.csdnimg.cn/blog_migrate/51329709e099ffc70f17f32c7619c684.png)
论文地址:https://arxiv.org/abs/2105.12584
Github链接:https://github.com/FanzhenLiu/Awesome-Deep-Community-Detection(全面汇总了该综述所调研的文章链接、代码、数据集下载地址等公开资源,将持续更新深度社区发现相关工作)
—1— 简介
俗话说,物以类聚,人以群分。根据六度分离理论,世界上任何一个人都可以通过六个熟人认识其他人,那么我们的世界则是一个由一系列「社区」组成的巨大网络。例如,如图1所示,通过发现社交网络中的社区,平台赞助商可以向目标用户推广他们的产品。在引文网络中,社区发现可以检测研究方向的重要性、关联性、演化,并能识别研究的发展趋势。在代谢网络和蛋白质相互作用网络中,社区发现揭示了具有相似生物学功能的代谢和蛋白质。在脑网络中,社区发现可以反映脑区域的功能和解剖分离。
![](https://i-blog.csdnimg.cn/blog_migrate/529dc2ccef2b7481647af8e52d00cee7.png)
由于社区发现可以广泛应用,许多传统的技术(如谱聚类、统计推理)已被用于小型网络和简单场景。然而,由于传统技术的计算成本和空间成本巨大,它们无法扩展到大型网络或具有高维特征的网络。同时,现实网络中非线性结构信息丰富,也使得传统模型在实际应用中不太适用。因此,我们需要更强大且具有良好计算性能的技术&#x