標(biāo)題：A survey of community detection in complex networks using nonnegative matrix factorization

作者：Chaobo He;Xiang Fei;Qiwei Cheng;Hanchao Li;Zeng Hu;Yong Tang*

期刊：IEEE Transactions on Computational Social Systems

網(wǎng)址：https://ieeexplore.ieee.org/document/9559733/

簡(jiǎn)介：社區(qū)發(fā)現(xiàn)是復(fù)雜網(wǎng)絡(luò)分析領(lǐng)域的熱門(mén)研究話題之一，其目標(biāo)是識(shí)別復(fù)雜網(wǎng)絡(luò)中的高內(nèi)聚子圖或模塊。非負(fù)矩陣分解（Nonnegative Matrix Factorization，NMF）由于具備可解釋性、簡(jiǎn)單性、靈活性和通用性等特性，已成為一種非常理想的社區(qū)發(fā)現(xiàn)模型，同時(shí)許多相關(guān)方法正持續(xù)不斷被提出。為了促進(jìn)基于NMF的社區(qū)發(fā)現(xiàn)的研究，對(duì)基于NMF的社區(qū)發(fā)現(xiàn)方法進(jìn)行了全面的總結(jié)歸納，特別是在知名學(xué)術(shù)期刊和會(huì)議上提出的最新方法。首先，介紹NMF的基本原理，解釋NMF能夠用于社區(qū)發(fā)現(xiàn)的原因，并設(shè)計(jì)基于NMF的社區(qū)發(fā)現(xiàn)方法的通用框架。其次，根據(jù)適用的網(wǎng)絡(luò)類型，提出將現(xiàn)有基于NMF的社區(qū)發(fā)現(xiàn)方法分為六類，即拓?fù)渚W(wǎng)絡(luò)、符號(hào)網(wǎng)絡(luò)、屬性網(wǎng)絡(luò)、多層網(wǎng)絡(luò)、動(dòng)態(tài)網(wǎng)絡(luò)和大規(guī)模網(wǎng)絡(luò)，同時(shí)深入分析了各個(gè)類別中的代表性方法。最后，總結(jié)現(xiàn)有方法面臨的共同問(wèn)題和潛在解決方案，并提出四個(gè)有前景的研究方向。該文預(yù)期能夠充分展示基于NMF的社區(qū)發(fā)現(xiàn)方法的全能優(yōu)勢(shì)，并可為相關(guān)領(lǐng)域的研究人員提供有價(jià)值的參考。

標(biāo)題：Boosting nonnegative matrix factorization based community detection with graph attention auto-encoder

作者：Chaobo He;Yulong Zheng;Xiang Fei;Hanchao Li;Zeng Hu;Yong Tang*

期刊：IEEE Transactions on Big Data

網(wǎng)址：https://ieeexplore.ieee.org/document/9512416

簡(jiǎn)介：社區(qū)發(fā)現(xiàn)有助于理解復(fù)雜網(wǎng)絡(luò)的結(jié)構(gòu)和功能，并已成為復(fù)雜網(wǎng)絡(luò)分析領(lǐng)域的熱門(mén)研究話題之一。由于簡(jiǎn)單、靈活、有效和可解釋，基于非負(fù)矩陣分解 (NMF) 的方法已被廣泛用于社區(qū)發(fā)現(xiàn)。然而，現(xiàn)有大多數(shù)基于 NMF的社區(qū)發(fā)現(xiàn)方法是線性的，在面對(duì)具有多樣化結(jié)構(gòu)信息的復(fù)雜網(wǎng)絡(luò)時(shí)，其性能往往受到限制。為此提出了一種基于非線性NMF的方法NMFGAAE，其包含兩個(gè)主要模塊：NMF 和 Graph Attention Auto-Encoder (GAAE)。NMFGAAE主要借助圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network, GNN）和深度聚類來(lái)提高基于 NMF 的社區(qū)發(fā)現(xiàn)性能。具體而言，GAAE引入一種面向基于NMF 的社區(qū)發(fā)現(xiàn)的注意力機(jī)制來(lái)學(xué)習(xí)節(jié)點(diǎn)表示，NMF用于分解節(jié)點(diǎn)表示以揭示社區(qū)結(jié)構(gòu)。設(shè)計(jì)了一個(gè)統(tǒng)一的優(yōu)化框架來(lái)聯(lián)合訓(xùn)練GAAE 和NMF 模塊，以有利于獲得更好的社區(qū)發(fā)現(xiàn)結(jié)果。在多個(gè)人工合成網(wǎng)絡(luò)和真實(shí)網(wǎng)絡(luò)進(jìn)行了大量實(shí)驗(yàn)，結(jié)果表明NMFGAAE不僅優(yōu)于現(xiàn)有最具代表性的基于NMF的社區(qū)發(fā)現(xiàn)方法，而且還優(yōu)于一些典型的基于網(wǎng)絡(luò)表示學(xué)習(xí)的方法，包括DeepWalk+K-means和LINE+K-means。

2篇論文均得到國(guó)家自然科學(xué)基金、教育部人文社會(huì)科學(xué)研究青年基金及廣東省自然科學(xué)基金項(xiàng)目的支持。