通过社区细化与对比学习提高有符号网络社区检测的准确性
社会与信息网络
2026-01-26 v1 人工智能
摘要
有符号网络上的社区检测(CD)对于理解正负关系如何共同塑造网络结构至关重要。然而，现有的 CD 方法常因边缘符号的噪声或冲突而导致社区不一致。在本文中，我们提出了 ReCon，一个模型无关的后处理框架，通过四个迭代步骤逐步细化社区结构：(1)结构细化、(2)边界细化、(3)对比学习、(4)聚类。我们在 18 个合成网络和 4 个真实网络上使用 4 种 CD 方法进行大量实验，结果表明 ReCon 在社区检测准确性方面始终具有优势，作为可靠的 CD 方法在不同网络属性下具有有效且易于集成的解决方案。
引用
@article{arxiv.2601.16372,
title = {Improving the Accuracy of Community Detection on Signed Networks via Community Refinement and Contrastive Learning},
author = {Hyunuk Shin and Hojin Kim and Chanyoung Lee and Yeon-Chang Lee and David Yoon Suk Kang},
journal= {arXiv preprint arXiv:2601.16372},
year = {2026}
}