Deep Overlapping Community Search via Subspace Embedding

本文介绍了社区搜索（CS）的应用，其目的是基于特定查询识别一组节点，利用结构上的凝聚性和属性上的同质性。这项任务的应用范围广泛，从欺诈检测到推荐系统均可使用。与基于算法的方法不同，基于图神经网络（GNN）的方法使用地面真实标签定义社区，利用先前的知识从图结构和节点特征中探索模式。然而，现有的解决方案面临三个主要限制：1）基于GNN的模型主要关注不相交的社区结构，忽略了属于多个社区的节点的特性。2）这些模型结构缺乏低阶意识和严重的效率问题。3）确定的社区受到搭便车和边界效应的影响。本文提出了简化的多跳注意力网络（SMN），由三个设计组成。首先，我们介绍了一种称为稀疏子空间滤波器（SSF）的子空间社区嵌入技术。SSF使社区嵌入的投影进入不同的向量子空间，适应了重叠和嵌套社区结构的特性。此外，我们提出了一种轻量级的模型结构和逐跳注意力机制，以捕获高阶模式，同时提高模型效率。此外，我们开发了两种搜索算法，以最小化潜在空间的社区半径，解决了搭便车和边界效应的挑战。据我们所知，这是第一篇关于重叠社区搜索的基于学习的研究。大量实验证实了SMN相对于现有最先进方法的卓越性能。SMN在F1-Score方面实现了14.73％的改进，并提高了模型效率达3个数量级。

本论文旨在解决社区搜索中存在的三个主要问题：GNN模型主要关注不相交的社区结构，忽略了属于多个社区的节点的特性；现有模型结构缺乏低阶意识和严重的效率问题；社区的边界效应和自由骑手问题。

SMN提出了三个设计，包括稀疏子空间过滤器（SSF）技术、轻量级模型结构和逐跳注意机制，以捕捉高阶模式并提高模型效率。此外，还开发了两种搜索算法来最小化潜在空间的社区半径，以解决自由骑手和边界效应的挑战。

该论文是第一篇学习重叠社区搜索的研究。实验结果表明，SMN相比现有的最先进方法，在F1-Score上提高了14.73％，并且模型效率提高了3个数量级。

最近在这个领域中，还有一些相关的研究，例如“Community Detection with Graph Neural Networks: A Survey”、“Overlapping Community Detection in Networks: The State of the Art and Comparative Study”等。