复杂网络中的社区检测：通过节点相似性、图表示学习和层次聚类
Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering
精选理由
提供兼容多种方法的层次化社区发现框架，适合未知社区数的网络分析。
AI 摘要
arXiv:2303.12212v3 公告类型：replace-cross 摘要：社区检测是分析真实图的重要挑战，涉及社交网络、引文网络、生物网络以及许多其他网络。本文提出了三种新的通用层次化框架来处理这一任务。所提出的方法支持各种基于链接的聚类算法、顶点邻近矩阵和图表示学习模型。我们在 Stochastic Block Model 图和现实数据集上比较了364种模块组合。我们观察到，效果最佳的流程（Wasserman-Faust 和基于互信息的 PPMI 邻近度，以及基于深度学习的 DNGR 表示）与当前最先进的 Leiden 和 Louvain 算法相比具有竞争力。与此同时，与后两者不同的是，这些流程仍然是层次化的。因此，它们能够输出所有可能基数的嵌套划分序列，并且这些划分彼此兼容。当正确划分的数量事先未知时，这一特性至关重要；我们还表明，在划分质量方面，获得该特性的实际成本接近于零。在由许多小型社区组成的图上，我们的流程比参考方案更加准确。不过，我们方法的缺点是时间复杂度较高，这使得该框架在个人计算机上仅适用于包含约10000个顶点的网络。