TKDE21 | 网络社团发现新综述：从统计建模到深度学习

美国物理学会院士 Barabasi 教授在其 2012 年发表于 Nature Physics 的文章中指出：「21 世纪将是网络理论的世纪，它正在形成的理论和算法框架将成为许多研究与应用领域的新的驱动力。」

大量研究显示，复杂网络普遍具有一些显著的统计特性，比如小世界效应、无标度分布、网络弹性等。尤其是，Girvan 和 Newman 发现了复杂网络的另一个重要统计特性——社团结构，即网络通常会由一些稠密相连的结点簇组成。自此，学术界掀起了对复杂网络社团结构的研究热潮。

本文是来自天津大学图机器学习与数据挖掘团队，联合莫纳什大学、麦考瑞大学，以及圣路易斯华盛顿大学 AI 权威 Weixiong Zhang 教授、UIC 数据挖掘权威 Philip S. Yu 教授等对网络社团发现领域的最新综述，首次以「从统计建模到深度学习」的新视角，为现代网络数据社团发现领域描绘出一幅宏伟而全面的蓝图。

论文链接：

内容简介

社团检测（community detection）是网络分析的基本任务，旨在将网络划分为多个子结构以帮助揭示其潜在功能，被广泛用于推荐、异常检测、恐怖组织识别等领域。经典的社团检测方法通常利用概率图模型，采用各种先验知识来推断社团结构。随着网络方法试图解决的问题以及要分析的网络数据变得越来越复杂，研究者们提出了新的社团检测方法，特别是利用深度学习将网络数据转换为低维表征的方法。尽管这些方法促进了社团检测的发展，但目前仍然缺乏对社团检测理论和方法基础的系统回顾。因此，我们提出了一个统一架构来概述社团检测领域的最新发展。我们首先全面回顾了现有的社团检测方法，并介绍了一种新的分类法，该分类法将现有方法分为两类：概率图模型和深度学习。其次，我们讨论了两类方法的主要思想，并针对不同方法进行了详细概述。此外，我们还发布了一些社团检测领域常用的基准数据集，重点介绍了社团检测在各种网络分析任务中的应用。最后，我们讨论了社团检测面临的挑战，并对未来可能的研究方向提出了建议。

图 1. 社团检测方法的分类细目