EdMot：一种面向模体感知社区发现的边增强方法

网络社区发现是网络分析中的一个热门研究课题。尽管已有许多社区发现方法被提出，但大多数方法仅考虑网络在单个节点和边层面的低阶结构。因此，它们无法捕捉到小规模稠密子图模式（例如模体）层面的高阶特征。近期，一些高阶方法已被开发出来，但它们通常聚焦于基于模体的超图，并假设该超图是一个连通图。然而，在某些真实网络中，这种假设无法得到保证。特别是，超图可能会变得支离破碎，即尽管原始网络是一个连通图，但超图可能由大量连通分量和孤立节点组成。因此，现有的高阶方法将严重受困于上述碎片化问题，因为在这些方法中，超图中无连接的节点即使属于同一社区也无法被归为一组。为解决上述碎片化问题，我们提出了一种面向模体感知社区发现的边增强方法（EdMot）。其主要思想如下：首先，构建一个基于模体的超图，并将超图中前K个最大的连通分量划分为模块。随后，通过构建边集从每个模块导出一个团，从而加强每个模块内部的连通结构。基于新的边集，增强输入网络的原始连通结构以生成一个重连网络，借此利用基于模体的高阶结构并很好地解决了超图碎片化问题。最后，对重连网络进行划分以获得高阶社区结构。