STEC-Net：用于动态社交网络社区发现的时空图神经框架
社会与信息网络
2026-05-25 v5
摘要
社区发现是动态社交网络分析的核心问题。传统的社区发现方法主要关注节点之间链接的形成与消亡，因而往往难以捕捉网络演化背后更丰富的空间结构和时间依赖性。为此，我们提出了 STEC-Net，这是一个用于动态社交网络社区发现的时空图神经框架。STEC-Net 将空间结构和时间动态整合到统一的嵌入架构中。首先，使用图卷积网络（GCN）从网络拓扑结构中学习时刻级别的节点表示。为适应空间编码器的结构演化，引入基于 GRU 的权重演化机制在时间上更新 GCN 参数。随后，引入第二个门控循环单元（GRU）来建模跨时刻嵌入的时间依赖性，以学习时空节点表示。最后，应用自组织地图（SOM）对所学嵌入进行聚类，以推断节点的社区归属。实验在四种类型的数据集上表明，STEC-Net 在纯净度、归一化互信息、均匀性和完整性方面均一致优于传统社区发现方法。这些结果表明，STEC-Net 能够有效地揭示动态社交网络中演化中的社区结构。
引用
@article{arxiv.2501.12208,
title = {STEC-Net: A Spatiotemporal Graph Neural Framework for Community Discovery in Dynamic Social Networks},
author = {Yingnan Xu and Shuangshuang Chu},
journal= {arXiv preprint arXiv:2501.12208},
year = {2026}
}
备注
14 pages, 8 figures, final accepted version