超越同质性：基于异质性图的社区搜索
社会与信息网络
2026-02-23 v2 人工智能
数据库
信息检索
摘要
社区搜索旨在识别与给定查询最相关的精炼节点集合，支持从欺诈检测到推荐等各种任务。不同于同质性图，许多真实网络是异质性的，即边主要连接 dissimilar 节点。因此，此前反映平滑、低频相似性的结构信号，如今表现为尖锐、高频对比。然而，经典算法（如 k-core、k-truss）和最新的基于机器学习的方法在异质性图上难以实现有效的社区搜索，其中边的符号或语义通常未知。基于算法的方法常返回标签混合的社区，而基于图神经网络的模型建立在同质性假设上，会平滑掉有意义的信号并模糊社区边界。因此，我们提出了自适应社区搜索框架（AdaptCS），其包含三个关键设计：(i) AdaptCS 编码器解耦多跳和多频率信号，使模型能够捕获平滑（同质性）和对比（异质性）关系；(ii) 内存高效的低秩优化消除主要计算瓶颈，确保模型可扩展性；(iii) 自适应社区得分（ACS）通过平衡嵌入相似性和拓扑关系引导在线搜索。对异质性和同质性基准的广泛实验表明，AdaptCS 在 F1 分数上比最佳基线平均提升 11%，在异质性水平上保持鲁棒性，相对于最强的基于机器学习的社区搜索基线实现最高可达两个数量级的加速。
引用
@article{arxiv.2601.01703,
title = {Beyond Homophily: Community Search on Heterophilic Graphs},
author = {Qing Sima and Xiaoyang Wang and Wenjie Zhang},
journal= {arXiv preprint arXiv:2601.01703},
year = {2026}
}