一种约束融合诱导的对称非负矩阵分解社区发现方法
社会与信息网络
2023-02-24 v1 机器学习
摘要
社区是无向社交网络基本且关键的特征，使得社区发现成为网络表示学习中重要却棘手的问题。对称非负矩阵分解（SNMF）模型因其良好的可解释性与可扩展性常被用于解决该问题。然而，它采用单一潜因子矩阵表示无向网络以精确表达其对称性，这因潜空间缩减而导致表示学习能力损失。受此启发，本文提出一种新颖的约束融合诱导对称非负矩阵分解（CFS）模型，其采用三重思路：a) 以多个潜因子矩阵表示目标无向网络，从而保留其表示学习能力；b) 将保持所学邻接矩阵低秩近似对称性的对称正则化项纳入损失函数，使所得检测器充分感知目标网络的对称性；c) 引入保持网络内在几何局部不变性的图正则化项，使所得检测器充分感知目标网络中的社区结构。在来自工业应用的八个真实社交网络上的广泛实证研究表明，所提 CFS 模型在获得高精度社区发现结果方面显著优于 SOTA 模型。
引用
@article{arxiv.2302.12114,
title = {A Constraints Fusion-induced Symmetric Nonnegative Matrix Factorization Approach for Community Detection},
author = {Zhigang Liu and Xin Luo},
journal= {arXiv preprint arXiv:2302.12114},
year = {2023}
}