最新「深度学习社区发现」综述论文，174篇文献概述六大类方法(含Github资源)...

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。

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。

图1：图与社区的直观说明

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