21、基于自适应集成网络拓扑和节点内容的自编码器社区检测

基于自适应集成网络拓扑和节点内容的自编码器社区检测

1. 引言

在现实世界中，存在着大量的网络数据集，如社交网络、通信网络和参考网络等，它们通常用复杂网络来表示。对于复杂网络的分析，找到由密集连接节点组成的社区非常重要。在社交网络分析中，社区检测有助于发现具有相似兴趣和目的的用户群体，并预测社区内用户的行为。

目前已经提出了许多社区检测方法，大致可分为两类：
- 仅考虑网络拓扑的方法 ：包括非负矩阵分解方法、基于模块化的方法和基于概率模型的方法等。然而，现实世界中存在大量的非线性关系，这些方法无法处理非线性关系。虽然人工神经网络（ANN）可以解决这个问题，并且最近自编码器已应用于社区检测任务并取得了不错的结果，但当网络拓扑存在噪声或缺失时，传统方法和仅使用链接的自编码器方法性能不佳。
- 集成网络拓扑和节点内容的方法 ：一些方法开始尝试将拓扑和内容信息结合起来进行社区检测。但现实网络中存在一个固有问题，即网络拓扑和内容之间的不匹配，这限制了这些方法的性能。例如，在社交网络中，拓扑和内容的不匹配是很常见的。

为了解决这个问题，本文提出了一种基于自编码器的自适应方法——自适应图正则化自编码器（AAGR）。该方法引入了一个新颖的自适应参数，以在拓扑和内容信息存在社区模式不匹配时，实现对这两种信息的鲁棒集成。

2. 自适应集成链接和节点内容的社区检测框架

考虑一个带属性的图 $G = (V, E, F)$，其中 $V$ 是节点集 ${v_1, v_2, \ldots, v_N}$，$E$ 是边集，$F$ 是节点的特征向量集。网络拓扑用邻接矩阵 $A