社区检测方法综述:从统计建模到深度学习
社会与信息网络
2021-08-17 v3 人工智能
机器学习
物理与社会
摘要
社区检测作为网络分析的一项基础任务,旨在将网络划分为多个子结构以揭示其潜在功能。社区检测已被广泛研究并应用于许多真实网络问题。经典的社区检测方法通常利用概率图模型并采用多种先验知识来推断社区结构。随着网络方法试图解决的问题以及待分析的网络数据日益复杂,新的方法也被提出与发展,特别是那些利用深度学习并将网络数据转换为低维表示的方法。尽管近期取得诸多进展,对社区检测理论与方法基础的深入认识仍然缺乏,而这对该网络分析领域的未来发展至关重要。本文提出并呈现了一种网络社区发现方法的统一架构,以刻画社区检测领域的现状。具体而言,我们全面综述了现有社区检测方法,并引入了一种新分类法,将现有方法分为概率图模型与深度学习两类。随后我们详细讨论了两类中每种方法背后的主要思想。此外,为促进社区检测的未来发展,我们发布了来自多个问题领域的若干基准数据集,并强调了它们在各种网络分析任务中的应用。最后我们讨论了该领域的挑战并给出未来研究的可能方向建议。
引用
@article{arxiv.2101.01669,
title = {A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning},
author = {Di Jin and Zhizhi Yu and Pengfei Jiao and Shirui Pan and Dongxiao He and Jia Wu and Philip S. Yu and Weixiong Zhang},
journal= {arXiv preprint arXiv:2101.01669},
year = {2021}
}