融合高阶邻近性、对称与图正则非负矩阵分解的社区检测
社会与信息网络
2022-03-09 v1 人工智能
机器学习
摘要
社区描述了网络的功能机制，使得社区检测成为诸如社交圈发现等多种实际应用中的基础图工具。迄今，对称非负矩阵分解（SNMF）模型因其高可解释性与可扩展性而被频繁用于解决该问题。然而，大多数现有基于 SNMF 的社区检测方法忽视了网络中的高阶连接模式。受此发现的启发，本文提出一种融合高阶邻近性（HOP）的对称与图正则非负矩阵分解（HSGN）模型，采用以下三重思路：a) 采用基于加权点互信息（PMI）的方法度量网络中节点间的高阶邻近性指标；b) 利用迭代重构方案将捕获的高阶邻近性编码进网络；c) 引入对称与图正则非负矩阵分解算法以精确检测社区。在八个真实网络上的大量实证研究表明，基于 HSGN 的社区检测器在提供高精度社区检测结果方面显著优于基准及 SOTA 社区检测器。
引用
@article{arxiv.2203.03876,
title = {High-order Order Proximity-Incorporated, Symmetry and Graph-Regularized Nonnegative Matrix Factorization for Community Detection},
author = {Zhigang Liu and Xin Luo},
journal= {arXiv preprint arXiv:2203.03876},
year = {2022}
}
备注
7 pages