UniCom：面向社区搜索与检测的统一且具凝聚性感知框架
社会与信息网络
2025-12-03 v1 数据库
摘要
在真实图中进行社区搜索与检测对于广泛的应用至关重要。尽管已取得显著成果，当前基于学习的方法将社区搜索（即为给定查询定位最佳社区）和社区检测（即对整个图进行分区）视为独立问题， necessitating task- 和 dataset-specific retraining。这种策略限制了现有模型的适用性和泛化能力。此外，这些方法高度依赖目标数据集的信息，在监督信息有限或不可用时会导致性能次优。为缓解此限制，我们提出 UniCom—a 通过跨多个领域知识迁移来解决社区搜索和检测任务的统一框架，从而减轻单数据集学习的局限性。UniCom 基于领域感知专门化（DAS）程序，该程序能适应未知图或任务，无需昂贵 retraining 即可保持框架紧凑，采用轻量级基于提示的范式。这得益于通用图学习（UGL）背书，通过全面预训练从多个源领域蒸馏可迁移的语义和拓扑知识。DAS 和 UGL 均受局部邻域信号和凝聚子图结构的指导，提供一致的框架指引。我们在 16 个基准数据集和 22 个基线上进行了大量实验，以确保全面且公平的评估。在稀缺或无监督情形下，UniCom 在所有任务上均 consistently 优于所有最新基线，同时保持运行效率。
引用
@article{arxiv.2512.02460,
title = {UniCom: Towards a Unified and Cohesiveness-aware Framework for Community Search and Detection},
author = {Yifan Zhu and Hanchen Wang and Wenjie Zhang and Alexander Zhou and Ying Zhang},
journal= {arXiv preprint arXiv:2512.02460},
year = {2025}
}
备注
14 pages (12 for content, 2 for reference)