通过采集易于获得的节点元数据，META-CODE 提出了一种新的端到端解决方案，用于检测未知拓扑结构的网络中的重叠社区， META-CODE 通过图神经网络训练节点层次社区从属嵌入，并使用 Siamese 神经网络模型进行网络推理。

Apr, 2023

本文提出了一种用于评估社区检测算法的数据和元数据的联合生成模型及其参数推断方法，通过预测网络中边的位置来评估元数据的质量，并且展示了如何利用这个特点来预测缺失的节点和元数据。研究结果表明，尽管数据组和元数据标记之间很少存在精确的一致性，但元数据通常仍可以提供网络结构的信息，并且可以提高缺失节点的预测能力。

Apr, 2016

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

本文提出了 CommunityGAN，一个新的社区检测框架，旨在共同解决重叠社区检测和图形表示学习问题，通过采用生成对抗网络（GAN）来优化这种嵌入，实现对顶点到社区的归属强度的量化和最终的社区结构输出。实验证明，CommunityGAN 取得了显著的社区检测性能提升。

Jan, 2019

本研究介绍了一种基于适应度函数本地优化的算法，能够发现复杂网络中的社区结构、嵌套社区和重叠社区，可以通过调整参数来探索不同层次的组织结构水平。在真实网络和人工网络上进行了测试，取得了优异的结果。

Feb, 2008

描述了一种基于分布式网络模型的重叠社区检测方法，使用了快速的期望最大化算法对数百万节点的网络进行分析，可用于提取非重叠的社区划分。

Apr, 2011

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

本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

Dec, 2021

通过梯度下降优化可完全可微的张量形式的映射方程，以深度学习为基础的图神经网络在社区检测和图聚类任务上取得了具有竞争力的性能，同时能够自动确定最优的聚类数目，并能够避免过分划分稀疏图。

Oct, 2023

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。

Jan, 2021