Jan, 2021

社区检测方法综述：从统计建模到深度学习

PDF
TL;DR本文提出了一种网络社区发现方法的统一架构，对现有的社区检测方法进行了全面的综述，并将现有的方法分为两类：概率图模型和深度学习。作者还释放了几个基准数据集，并概述了这些数据集的应用。该研究为进一步研究这一领域的挑战和未来方向提供了基础。
发现论文，激发创造
  • 基于深度学习的社区发现综述

    本文对近年来深度学习在社区检测领域的最新进展进行了全面概述，提出了包括深度神经网络、深度非负矩阵分解和深度稀疏滤波在内的多种先进方法，总结了常用的基准数据集和评估指标，并讨论了社区检测在不同领域的实际应用和实现场景，并提出了未来的研究方向。

    May, 2021

  • 社区发现的深度学习：进展、挑战和机遇

    本文介绍了社区检测在科学研究和数据分析中的重要性， 分析了经典社区检测方法的局限性，探讨了基于深度学习的三个研究方向 —— 深度神经网络、深度图嵌入和图神经网络，总结了不同框架、模型和算法的进展和挑战，并探讨了未来研究机遇。

    May, 2020

  • 图中社区检测的综述

    复杂网络中的社区结构及社区检测方法的综述，涵盖了图的算法和现实应用领域。

    Sep, 2023

  • 网络中的社区

    本文概述了社区检测的一些概念、方法和应用，介绍了可用的方法论和开放性问题，并讨论了各个领域科学家感兴趣的原因。同时，本文强调了社区检测与统计物理和计算优化问题的关联。

    Feb, 2009

  • 复杂网络中社区发现的多个方面

    本文聚焦于介绍社区检测在网络科学研究中不同的动机，指出社区检测的许多研究方向和未来的研究方向。

    Nov, 2016

  • 有向网络中的聚类与社区检测：综述

    该论文对有向网络的聚类算法进行了深入的综述，介绍了基本概念和方法学基础，并从方法论原理和好的群集特性的角度讨论了聚类算法。此外，还介绍了图聚类结果的评估方法和指标，展示了有趣的应用领域，并提出了未来的研究方向。

    Aug, 2013

  • 基于社区检测和图神经网络的科学文献链接预测方法

    本研究介绍了一种创新方法，将社区检测算法与图神经网络（GNN）模型相结合，以增强科学文献网络中的链接预测。我们特别关注利用 Louvain 社区检测算法揭示这些网络中的潜在社区结构，并将其整合到 GNN 架构中以预测潜在链接。我们的方法论证了在复杂网络中理解社区动态的重要性，并利用社区检测和 GNN 的优势来提高预测精度。通过对代表科学合作和引用的二部图的大量实验，我们的方法不仅凸显了社区检测和 GNN 之间的协同作用，还解决了链接预测中存在的一些普遍挑战，如可扩展性和分辨率限制。结果表明，整合社区级别信息可以显著提高 GNN 在链接预测任务中的性能。本工作通过将先进的机器学习技术与传统网络分析方法相结合，为网络科学领域提供了一种新的整合视角，以更好地理解和预测科学合作的复杂模式。

    Jan, 2024

  • 网络中的社区检测：用户指南

    本研究论文探索了网络中社区检测的一些关键问题，探讨了社区的定义、算法以及验证方法，并指出了现有方法的优缺点和发展方向。

    Jul, 2016

  • 基于图神经网络的重叠社区发现

    本研究提出了一种基于图神经网络的模型，用于检测重叠社区，相对于现有的基线方法，我们的模型表现更为出色。此外，我们的实验表明，该模型具有有效性、可扩展性和对超参数设置的鲁棒性，并且图神经网络是该模型的关键因素。

    Sep, 2019

  • 基于图形的深度学习用于通信网络：一项调研

    该论文综述了基于不同类型的深度学习模型（如图卷积神经网络和图注意力网络）在通信网络的各种问题中如何建模网络拓扑结构，并列出了每个研究的问题和解决方案的列表，并确定了未来的研究方向。此外，该研究是第一份聚焦于基于图的深度学习方法在涉及有线和无线场景的通信网络中的应用的综述，并创建了一个公共的 GitHub 存储库以追踪后续研究。

    Jun, 2021