计算机科学与探索

作者：陈洁, 张二明, 王倩倩, 赵姝, 张燕平

单位：1.安徽大学 计算机科学与技术学院，合肥 230601；2.安徽大学 国际教育学院，合肥 230601

关键词：社团检测,K阶图卷积,属性信息,稀疏性

基金：国家重点研发计划子课题(2017YFB1401903);国家自然科学基金(61876001)

挖掘属性网络中的社团结构有助于对网络节点进一步分析，具有重要的现实意义。图卷积神经网络能够有效地将属性网络的结构信息进行嵌入，获取节点的特征表示，从而可获得性能良好的社团结构。然而，现有图卷积方法大多使用固定的低阶图卷积，只考虑每个节点一阶或二阶内的邻居，没有充分利用节点关系，忽略了网络结构的多样性。另外原始网络结构的稀疏性无法克服，会降低社团检测的性能。为解决上述问题，提出一种融合属性信息与结构信息的K阶图卷积社团检测方法（KGCN），该方法可以有效地克服原始网络的稀疏性并利用节点的高阶结构进行社团检测。首先根据节点的属性信息对原始网络进行重构，缓解原始网络结构的稀疏性；其次考虑到高阶结构关联，采用K阶图卷积编码器对节点进行编码，获得节点的特征表示；最后使用谱聚类算法进行社团检测。实验结果表明，在四个真实数据集上，相比现有算法，KGCN方法取得更好的社团检测结果。

来源：2022年第12期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第12期