Professional Documents
Culture Documents
融合异质性和动态性的社区发现研究综述_武永亮
融合异质性和动态性的社区发现研究综述_武永亮
《计算机工程与应用》网络首发论文
题目: 融合异质性和动态性的社区发现研究综述
作者: 武永亮,窦世卯,李景辉,董家浩,魏丹
网络首发日期: 2024-07-15
引用格式: 武永亮,窦世卯,李景辉,董家浩,魏丹.融合异质性和动态性的社区发现
研究综述[J/OL].计算机工程与应用.
https://link.cnki.net/urlid/11.2127.TP.20240712.1041.006
网络首发:在编辑部工作流程中,稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定,且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式(包括网络呈现版式)排版后的稿件,可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定;学术研究成果具有创新性、科学性和先进性,符合编
辑部对刊文的录用要求,不存在学术不端行为及其他侵权行为;稿件内容应基本符合国家有关书刊编辑、
出版的技术标准,正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性,录用定稿一经发布,不得修改论文题目、作者、机构名称和学术内容,
只可基于编辑规范进行少量文字的修改。
出版确认:纸质期刊编辑部通过与《中国学术期刊(光盘版)》电子杂志社有限公司签约,在《中国
学术期刊(网络版)》出版传播平台上创办与纸质期刊内容一致的网络版,以单篇或整期出版形式,在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊(网络版)》是国家新闻出
版广电总局批准的网络连续型出版物(ISSN 2096-4188,CN 11-6037/Z),所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间:2024-07-15 15:56:54
网络首发地址:https://link.cnki.net/urlid/11.2127.TP.20240712.1041.006
融合异质性和动态性的社区发现研究综述
武永亮,窦世卯,李景辉,董家浩,魏丹
石家庄铁道大学 信息科学与技术学院,石家庄 050043
摘要:随着社交网络的发展,图结构成为数据处理的关键技术。社区发现是图结构研究的
热点领域,旨在识别连接紧密的结点组(即社区)。由于图结构具有异质性和动态性特征,
异质图和动态图中的社区发现成为当前研究难点。已有综述大都针对单一特性开展,对于
异质性和动态性特征关注较少。基于此,从图的异质性和动态性两方面进行深入调研,总
结社区发现领域的研究进展。首先介绍社区发现相关的基础知识,并针对异质性和动态性
特征汇总了相关数据集和评价指标。然后,针对社区发现算法不同的目标对象,将现有社
区发现研究分为静态同质图社区发现、静态异质图社区发现、动态同质图社区发现和动态
异质图社区发现,并分别进行文献综述及优缺点分析。最后,总结社区发现算法的应用领
域和未来研究方向,并展望了社区发现研究的未来发展趋势。
关键词:图结构; 社区发现; 异质性; 动态性
文献标志码: A 中图分类号:TP391 doi:10.3778/j.issn.1002-8331.2403-0432
Abstract: With the development of social networks, graph structure has become a key technology
in data processing. Community detection is a hot area of research in graph structures, aiming to
identify groups of nodes that are closely connected (i.e., communities). Due to the heterogeneous
and dynamic characteristics of graph structures, community detection in heterogeneous and
dynamic graphs has become a current research challenge. Existing reviews mostly focus on a single
characteristic, with less attention to heterogeneity and dynamics. Based on this, this paper conducts
an in-depth investigation from the aspects of graph heterogeneity and dynamics, summarizing the
research progress in the field of community detection. It first introduces the basic knowledge related
to community detection and summarizes the relevant datasets and evaluation metrics for the
characteristics of heterogeneity and dynamics. Then, according to the different target objects of
community detection algorithms, existing community detection research is divided into static
homogeneous graph community detection, static heterogeneous graph community detection,
dynamic homogeneous graph community detection, and dynamic heterogeneous graph community
detection, and a literature review and analysis of advantages and disadvantages are conducted for
基金项目:国家自然科学基金(62106157);河北省自然科学基金(F2024210005、F2021210002)
作者简介:武永亮(1986-),通信作者,男,博士,CCF 高级会员,研究方向为人工智能、自然语言处理,
E-mail:wuyongliang@stdu.edu.cn;窦世卯(2000-),男,硕士,研究方向为自然语言处理;李景
辉(1998-),男,硕士,研究方向为自然语言处理;董家浩(1998-),男,硕士,研究方向为自然
语言处理;魏丹(1997-),女,硕士,研究方向为自然语言处理。
2 Computer Engineering and Applications
each. Finally, the application fields of community detection algorithms and future research
directions are summarized, and the future development trend of community detection research is
prospected.
Key words: Graph structure; Community detection; Heterogeneity; Dynamic
图结构(Graph)是一种在计算机科学和数 表 1 社区发现算法分类
学中常见的数据结构,常用于表示对象之间 Table 1 Community detection algorithm classification
同质图 异质图
的复杂关系。图由结点(顶点)和结点关系(边) 静态图 静态同质社区发现 静态异质社区发现
[4-9] [10-14]
组成,分别表示各领域中的实体及关系表示,
动态图 动态同质社区发现 动态异质社区发现
例如:社交网络、计算机路由网络、地铁路 [15-19] [20-24]
图 3 社区发现过程图
Fig.3 Community detection process diagram
定义 7 (静态同质/异质社区发现) 当输入
的图只有一张,并希望标注出这张图中的社
t2 消失边
消失结点 区结构时,即是静态社区发现。定义一个静
态图 G (V , E, A, R) ,其中 V 是结点集合, E
是边集合, A 是结点类型集合, R 是边类型
集合, C {C1 , C2 ,..., Ck } 是图 G 的社区划分,
其中 Ci 是第 i 个社区的结点集合。当图 G 中
新增边
结点类型数量 | A | 1 且边类型数量 | R | 1 时
t3
新增结点 为静态同质社区发现,否则为静态异质社区
发现。
定义 8 (动态同质/异质社区发现) 当输入
的是多张图或者一个图序列时,需要考虑这
些图随时间的变化,并尝试追踪社区结构的
图 1 动态网络图 演化,即是动态社区发现。定义一个动态图
Fig.1 Dynamic network diagram
G {G1 , G2 ,..., GT } , T 是 时 间 步 的 总 数 ,
定义 5 (社区) 是由信息网络中的结点构
成的密集群体。各个社区内部的结点连接紧 Gt (Vt , Et , At , Rt ) 是时间 t 的子图, Vt 、 Et 、
密,而不同社区之间的结点连接稀疏。定义 At 和 Rt 分别是 t 时刻的结点集合、边集合、
图 G (V , E) , V 是结点集合, E 是边集合, 结 点 类 型 集 合 和 边 类 型 集 合 。
依据结点间的联系紧密程度将图 G 划分为 Ct {C1t , C2t ,..., Ckt } 是在时间 t 的一个社区划分,
C {C1 , C2 ,..., Ck } , Ci 是第 i 个社区的结点 其中 Cit 是第 i 个社区的结点集合, Ct 随时间
集合,其过程示意如图 2 所示,图中 9 个结点 t 的变化而变化,表示社区的形成、合并、分
被划分成 C 1, C 2 两个社区。 裂或消失。当动态图 G 中任意时刻的结点类
型数量 | At | 1 且边类型数量 | Rt | 1 时为动态
同质社区发现,否则为动态异质社区发现。
1.2 常用数据集
本文归纳总结社区发现的数据集并遵循
以下五条原则:
1、网络结构具有代表性:所选数据集应
C1 C2
能够代表不同类型的网络结构,比如:社交
图 2 社区示意图 网络、合作网络、引文网络等,以便能够全
Fig.2 Community definition diagram 面评估社区发现算法的适用性和有效性。
定义 6 (社区发现) 社区发现是在网络中 2、社区结构具有可识别性:所选数据集
挖掘社区结构的过程。社区结构是复杂网络 中应存在可识别的社区结构,这样才能够验
所具有的基本性质之一,它是社区的基本组 证和比较不同算法在发现实际社区时的性能
成部分,反映了社区的组织形态和内部关系。 和准确性。
社区结构定义为:将网络中的结点按照一定 3、数据规模具有多样性:所选数据集应
的规律或规则进行分组,每一个组就是一个 涵盖不同的规模,从小型网络到大型网络,
社区,社区内部的结点连接紧密,不同社区 以测试社区发现算法在不同规模上的可扩展
的结点连接稀疏。定义图 G (V , E) , V 是 性和效率。
结点集合, E 是边集合, C {C1 , C2 ,..., Ck } 4、与实际应用具有关联性:所选数据集
是图 G 的社区划分,社区发现就是在图 G 中 应与实际应用场景紧密相关,以确保社区发
找到一个高质量社区划分 C ,其过程示意如 现算法的研究成果能够转化为实际应用,解
4 Computer Engineering and Applications
1
http://networkrepository.com/ 4
https://linqs.soe.ucsc.edu/data
2
http://mlg.ucd.ie/index.html 5
https://people.cs.umass.edu/∼mccallum/data.html
3
https://snap.stanford.edu/index.html 6
https://github.com/wonniu/AdvT4NE_WWW2019
5 Computer Engineering and Applications
7
http://arnetminer.org/citation 9
http://www.cs.umd.edu/hcil/VASTchange08/
8
https://cancergenome.nih.gov/
6 Computer Engineering and Applications
内为 1,否则为 0。 调 整 兰 德 指 数(ARI)[25]是 兰 德 指 数
归一化互信息(NMI)[26]来源于信息论中 RI(Rand Index)的机会校正版本。
的熵,用于度量两个聚类结果的相近程度。 兰德指数 (RI)如公式(10)。
对于离散随机变量 X ,其熵定义为公式(2)。 TP TN
RI (10)
H ( X ) E[log p( x)] p( x) log p( x) (2) TP FP FN TN
x
RI 中 FP 和 FN 具 有 相 同 权 重 。 如 果
联合熵定义为公式(3)。
1 , F 将比 FPs 更惩罚 FN s ,从而产生更
H ( X , Y ) E[log p( x, y )]
多的召回权重 R ,如公式(11)。
p ( x, y ) log p ( x, y ) (3)
TP TP ( 2 1) PR
x y
P ;R ; F
条件熵定义为公式(4)。 TP FP TP FN 2P R
H (Y | X ) E[ H ( y | x)] p( x) H ( y | x) (11)
(4)
在社区发现中, ARI 是 RI 的机会校正版
x
p( x, y) log p( y | x)
x y 本。“机会校正”的思想是利用一个通用公式
基于以上定义,两个随机离散变量的互 (12),表示任意度量 H 。
信息可以定义为公式(5)。它用来衡量 X 和 Y H E(H )
之间的相互依赖性。 Hc (12)
H max E ( H )
I ( X ;Y ) H ( X ) H ( X | Y ) (5)
其中 H c 是机会校正度量, H max 是 H 的
归一化互信息 NMI 定义为公式(6)。
最大值, E ( H ) 是某个空模型的期望值。如
2I ( X ;Y )
NMI ( X , Y ) (6) 果分区是在社区数量和大小的约束下随机生
H ( X ) H (Y )
成的,则社区交叉点 i cj 中对数的期望如
NMI 为聚类或社区发现结果的可解释性
公式(13)。
提供了量化指标,其值域在 0 到 1 之间,便于
N i , cj N i Ncj N
理解和比较。NMI 值越高,代表聚类或社区 E (13)
划分的结果与真实类别或标准划分之间的相 2 2 2 2
似度越高。但其计算涉及概率分布的计算, 将公式(13)带入公式(12)中,经过简化得
对于大型数据集比较耗时,此外,由于随机 到 ARI 表达式如公式(14)。
N i , cj N i Ncj N
初始化和随机聚类结果的影响,其评估结果 ij i j (14)
ARI (, C ) 2 2 2 2
具有一定的不稳定性。 1 N i Ncj N i Ncj N
i j i j
F-score[26]是精确度和召回率的调和平均 2 2 2 2 2 2
Ni 等[28]提出了使用结构相似性算法的半监督 等[29]提出基于对抗学习的社区发现框架,将
局部社区检测,利用图核计算出的已知社区 带符号网络中的所有结点表示为低维嵌入空
和检测到的社区之间的结构相似性来指导社 间中的向量,并使用聚类算法进行社区发现,
区发现,提高了社区发现算法的效率,但其 提高了社区发现算法的精度,但由于模型中
缺少相应的理论支持。 对抗性学习的计算开销与网络中结点的数量
基于对抗学习的静态同质社区发现方 呈二次方关系,使其可扩展性较差。Zhu 等[30]
法通过生成器和判别器之间的对抗过程 来 基 于 对 抗 学 习 提 出 了 EA2CD(Adversarial
学习网络表示。生成器致力于产生逼真 的 Attack Community Detection)框架,该框架引
社区划分,而判别器则尝试区分真实社 区 入对抗训练技术,通过模拟极端网络结构扰
和生成器产生的社区,以此提高社区发 现 动来增强模型对结构扰动的鲁棒性,提高了
方法的鲁棒性和泛化能力。研究人员基于对 社区发现算法的鲁棒性,并且在缺少边缘的
抗学习的社区发现方法相关研究如下。Kang 网络上也表现出优秀的鲁棒性和可扩展性。
表8 静态同质社区发现方法
Table 8 Static homogenous community detection method
方法名称 时间复杂度 核心方法 优点 局限性 适用网络
HPNMF[7] O(t ( n 2 k nk 2 ))
非负矩阵分解 可解释性强 计算成本较高 高维稀疏网络
GSNMF[27] O(TKn 2 )
NEC[4] - 能够捕捉结点间的 计算资源需求较大
网络嵌入 多类型网络
CDBNE[5] O(k log E NFD ED) 复杂关系 参数敏感
时间复杂度低
参数敏感 社区结构明显
LINCOM[8] O(| V | | E |) 图遍历 不依赖于特定网络
可扩展性较差 的中小型网络
结构或属性
模型灵活 大规模网络和
计算资源需求较大
CSEA[9] O( iV deg(i)2 ) 变分自动编码器 准确性高 复杂数据结构
参数敏感
无监督学习 场景
社区结构明显
精确度高 计算复杂度较高
SLSS[28] O(k 4 d 2 k 2 c 4 c ' sc 4 ) 结构相似性算法 且紧密的中小
鲁棒性强 参数敏感
型网络
ABC[29] O(| V |2 ) 大规模复杂网
模型泛化能力强 计算复杂度较高
对抗学习 络
EA2CD[30] O(T1 N 2 T1T2 N 2 K ) 无监督学习 可解释性差
多层网络
适应性强
DSCPCD[31] O( N 2 ) 博弈论 准确性不稳定 中小型网络
能跨领域应用
[32]
RobustECD O(n ) 2
准确性高 计算复杂度较高
增强网络结构 大规模网络
GEAM[33] O( L Nt(d0 d0 log N )) 适应性强 参数敏感
SSAGCN[34] - 计算复杂度较高
表示学习能力强
图神经网络 参数敏感 大规模网络
ICD [35] O( Ln* LL' K t kI ) 自学习能力
数据依赖性强
时间复杂度低 结果不稳定
CNLLP[6] O(n) 标签传播 大规模网络
适应性强 依赖初始标签分配
签,从而形成社区。研究人员基于标签传播 结点类型3
边类型1
的社区发现方法研究如下。Zhang 等[6]提出一 边类型2
种基于核心结点和逐层标签传播的大规模社 边类型3
区发现方法,通过利用核心结点(结点度大于
平均结点度的核心结点)作为潜在社区中心的
特征,然后从核心结点开始,根据结点度数
和结点连接度逐层进行标签传播,有效提高
了社区检测的准确性,并进一步扩展到检测 图表示方法
2.1.4 现有研究的不足和未来研究方向
随机游走 路径表示
现有静态同质社区发现方法已经相对成
熟,但在实际应用中仍存在一些不足。比如, 自动编码器 图神经网络
在一些大规模网络中,计算复杂度较高,如
何提升社区发现效率,降低计算复杂度,是 社区发现方法
值得思考的。此外,为了方便用户理解和分 基于图神经网络 基于随机游走
析社区结构,研究如何有效地可视化社区发
现结果,并提供直观的解释和说明,也是值 基于属性 基于聚类
得关注的研究方向。
基于非负矩阵分解 基于随机块模型
2.2 静态异质社区发现方法综述
2.2.1 问题定义 基于标签传播 基于生成对抗学习
杂网络中的社区发现问题,但其仅适用于非 员基于随机游走的社区发现方法研究如下。
重叠社区。Liu 等[11]提出一种基于社区视角和 Toth 等[13]提出了一种基于随机游走的社区发
图卷积网络的社区发现方法,解决了现有方 现方法,其通过从一类候选随机游走中合成
法在没有先验标签信息属性网络中分离表示 给定网络引发的随机游走来检测社区,其在
学习和聚类、无法检测重叠社区以及未能有 具有不同混合参数和度分布的网络上表现稳
效捕获社区级别信息的问题,且该方法同时 定。Okuda 等[14]提出了一种约束随机游走相
适用于重叠和非重叠社区。 似度方法来检测图的社区结构,根据步行者
随机游走是一种模拟结点在网络中随 经过的顶点集之间的相似性,将随机游走的
机移动的过程,通过这种过程可以揭示 网 起始顶点聚集在图上,提高了社区发现的精
络的局部聚集特性,从而发现社区。研究人 度,但其效率有待提高。
表9 静态异质社区发现方法
Table 9 Static heterogeneous community detection method
方法名称 时间复杂度 核心方法 优点 局限性 适用网络
MOEA[10] - 表示学习能力强 计算复杂度高
图神经网络 大规模网络
CPGC[11] O( N 2 ) 可扩展性 参数敏感
Synwalk[13] - 时间复杂度低 结果随机性
随机游走 大规模网络
RRWSM[14] - 适应性强 参数敏感
D-SCORE[36] -
DGTA[37] O(t ( n x m / rmax ) / nw ) 结果准确性高 计算复杂度高 中小型异质属性
属性建模
可解释性强 参数敏感 网络
CluEstar[38] O(lrk (e max
n max
))
SClump[39] O(knt )
IBHCD[40] O(nk 3 ) 可扩展性强 局部最优解
聚类 中小型规模网络
ScBM [41] - 社区结构清晰 参数敏感
MFCD [42] -
NCNMF [43] O( h 2 n3 tn 2 k )
O( i 1 (nt ni dimi ))
t 1
GEjNMF [44] 计算复杂度高
可解释性强
非负矩阵分解 局部最优解 高维稀疏网络
S2-jNMF [45] O ( rn 2 km) 结构准确性高
参数敏感
JOSNMF [46] O(t (n 2 r nqr ) n3 )
[47]
MWSBM O ( N 2Q 2 K ) 计算复杂度高
可解释性强
PCMML [48] - 随机块模型 局部最优解 中等规模网络
可扩展性强
BiMMDF [49] O (max(nr2 , nc2 ) K ) 参数敏感
MWLP [50] O( m) 时间复杂度低
结果不稳定
标签传播 依赖初始标签分 大规模网络
LBLD [51] O(nk ) 自适应性强
配
自适应性强 计算复杂度高
SEAL [12] - 生成对抗学习 中小型规模网络
无监督学习 参数敏感
基于属性建模的静态异质社区发现方 的多种结点类型和边类型,通过捕捉结 点
法通过充分利用网络中的结点和边的属 性 间的相似性或距离来识别社区结构。研究人
信息,通过建模这些属性来更准确地发 现 员基于聚类的社区发现方法研究如下。Li 等
[39]
社区结构。研究人员基于属性的社区发现方 基于谱聚类提出一种改进的社区发现算法,
法研究如下。Wang 等[36]基于 D-SCORE 算法 其使用元路径构建有效的相似度矩阵,并通
通过在聚类之前获取邻接矩阵奇异向量的元 过迭代学习过程细化了相似性矩阵和元路径
素比率,以此来减小结点异质性对社区发现 的权重,有效提高了社区发现的效率和质量,
的影响,该方法可扩展到多层网络和结点属 具有较小的时间复杂度。Dall'Amico 等[40]基
性网络,有很好的可扩展性。Chen 等[37]通过 于 Bethe-Hessian 矩 阵 和 谱 聚 类 , 提 出
将属性图表示为星型模式异质图,把属性建 (Improved Bethe-Hessian Community Detection,
模为不同类型的图结点,从而提高聚类效率。 IBHCD)算法,解决了谱聚类在稀疏图中表现
Mei 等[38]提出了一种扩展星结构网络聚类方 不好的问题,提高了稀疏图中社区发现的效
法,通过进一步包含中心-中心关系(即中心类 率。Qing 等[41]通过将谱聚类和随机共同块模
型对象之间的链接)来扩展经典星形结构,与 型扩展到无分布框架来检测加权二分网络中
星型结构网络的方法相比,该方法能够利用 的社区结构,但其仅适用于非重叠网络。Xu
中心对象之间的同构关系来提供对数据结构 等[42]提出了一种基于综合相似度的改进 K-
的更全面的理解,提高了社区发现的效率和 Means 算法,用于研究基于位置的社交网络
质量。 (Location Based Social Network, LBSN)中的社
聚类算法能够很好地处理异质网络中 区发现问题,将社区定义为在社交关系和签
11 Computer Engineering and Applications
到行为方面具有相似特征的一组用户,并基 其邻居的标签信息更新自己的标签。最终,
于 LBSN 数据的丰富知识,从不同维度分析 具有相似标签的结点聚集在一起形成社区。
了用户之间的社交关系和签到特征,有效提 研究人员基于标签传播的社区发现方法研究
高了 LBSN 中社区发现的效率和质量。 如下。Li 等[50]基于标签传播提出了一种社区
基于非负矩阵分解的静态异质社区发 发现方法,通过主题挖掘揭示网络的高阶结
现方法通过将网络的邻接矩阵或相似性 矩 构,并提出一种新颖的投票策略建议(不仅考
阵分解为两个非负矩阵来揭示网络中的 社 虑连接的数量,还考虑连接的强度)进行标签
区结构。研究人员针对基于非负矩阵分解的 更新,有效地消除了标签选择的随机性,产
社区发现方法已经开展了相关研究。Su 等[43] 生更稳定的社区结构。Roghani 等[51]提出一种
提出了一种基于非负矩阵分解的社区发现方 基于局部平衡标签扩散的快速社区发现算法,
法,通过考虑高阶邻居的接近性,形成信息 其采用一种新的粗糙核构建方法来检测初始
更丰富的图正则化机制,消除了仅利用邻接 种子结点,并采用平衡标签扩散来扩展社区,
矩阵中的一阶邻近信息方法的局限性,提高 最后通过合并获得社区,该方法不仅收敛速
了社区发现的效率,但其仅适用于无向非重 度快,而且结果稳定、准确,而且该算法不
叠网络。Zhang 等[44]提出了一种联合图嵌入 存在随机性,参数可调。
和非负矩阵分解的学习模型,通过利用图嵌 基于生成对抗学习的静态异质社区发
入和网络的潜在结构同时学习特征提取和聚 现方法利用生成对抗网络来识别网络中 不
类,并通过目标函数将异构网络聚类问题转 同类型结点和边构成的社区结构。其通 过
化为约束优化问题,该方法在聚类指导下进 生成器和判别器之间的对抗过程来学习 网
行特征选择,提高了算法性能,同时节省了 络表示,从而发现社区。研究人员基于生成
算法的运行时间。Ma 等[45]提出了一种半监督 对 抗学 习的社 区发 现方法 相关 研究如 下 。
的联合非负矩阵分解算法,其将部分监督和 Zhang 等[12]利用生成对抗网络从训练数据中
NMF 进行整合,可作为多层网络中社区检测 学习社区发现的启发式方法,将社区生成建
的半监督聚类的通用框架,有效提高了多层 模为一个顺序决策过程,并开发了一个专门
网络中社区发现的效率,但其在大规模网络 的 GNN 来获取结点嵌入,提高了半监督社区
中表现不是很好。Kong 等[46]介绍了一种名为 发现算法的效率。
联合正交对称非负矩阵分解的社区发现方法, 2.2.4 现有研究的不足和未来研究方向
通过在因子矩阵上施加正交约束,改善了结 现有的静态异质社区发现方法虽然已经
点对社区的归属准确性,提高了复杂网络中 取得了一定的进展,但仍存在一些不足之处。
社区发现的效率和精度,但其仅适用于静态 许多现有的方法在处理结点属性时,往往只
网络。 考虑单一或有限的属性维度,而忽略了结点
基 于 随 机 块 模 型(Stochastic Block 可能具有的多重、复杂的属性信息。如果要
Model, SBM)的静态异质社区发现方法是一 考虑结点和社区的多种属性,计算复杂度就
种经典的社区发现技术,通过将网络划 分 会变高,从而难以应用于大规模网络。此外,
为多个社区,并为每个社区定义内部和 社 现实网络中的社区往往存在重叠现象,即一
区间的连接概率来模拟网络的生成过程 。 个结点可能属于多个社区。然而,许多现有
研究人员基于随机块模型的社区发现方法研 方法只能发现非重叠社区。因此,研究能够
究如下。Chen 等[47]提出了一种多层加权随机 处理多重属性并且计算复杂度较低的重叠社
块模型,通过对边缘权重进行建模,实现了 区发现方法,是未来值得关注的研究方向。
多层加权网络中的社区发现,但其时间复杂 2.3 动态同质社区发现方法综述
度较高。Naderipour 等[48]基于随机块模型, 2.3.1 问题定义
提出一种通用 2 型模糊社区发现模型,通过 定义图 Gt (Vt , Et , At , Rt ) 是一个在时间 t
将一组层视为一组结点之间的各种关系,解
的子图,其中 Vt 是 t 时刻的结点集合, Et 是 t
决了结点间相互作用关系不确定的问题,提
高了多层网络中社区发现的效率。Qing 等[49] 时刻的边集合, At 是 t 时刻的结点类型集合,
基于随机块模型提出了 BiMMDF 模型,其是 Rt 是 t 时刻的边类型集合,动态图 G 表示为
混合隶属度随机块模型的扩展,该模型允许 G {G1 , G2 ,..., GT } 其中 T 是时间步的总数,
邻接矩阵遵循任何分布,提高了重叠二分加 每个时间步对应的子图 Gt 对应一个静态图,
权网络中社区发现的效率。
表 示 在 特 定 时 间 点 的 网 络 状 态 ,
基于标签传播的静态异质社区发现方
Ct {C1t , C2t ,..., Ckt } 是在时间 t 的一个社区划分,
法是通过模拟结点间的信息传播来识别 社
区结构。每个结点初始时被赋予一个唯 一 其中 Cit 是第 i 个社区的结点集合, Ct 随时间
的标签,随后通过迭代过程,结点会根 据 t 的变化而变化,表示社区的形成、合并、分
12 Computer Engineering and Applications
裂或消失。动态同质社区发现是指在结点类 矩阵、随机游走和路径表示四种方法。社区
型数量 | At | 1 且边类型数量 | Rt | 1 的动态图 发现方法部分对动态同质图中常用的社区发
G 中找到一个高质量动态社区划分序列 现方法进行归纳总结,详细介绍见 2.3.3 小节。
{C1 , C2 ,..., CT } 。 2.3.3 常见方法
常见的动态同质社区发现方法有基于非
2.3.2 核心架构
负矩阵分解的方法、基于多目标优化的方法、
动态同质社区发现的核心架构主要包括
基于深度学习的方法、基于影响最大化的方
动态同质图构造、动态同质图表示方法和动
法、基于聚类的方法和基于递归学习的方法,
态同质社区发现方法三部分,如图 6 所示。
动态同质图构造
各类方法的时间复杂度、核心方法、优点、
新增结点
局限性和适用网络对比如表 10 所示。
T1
基于非负矩阵分解的动态同质社区发
新增边
现方法通过将网络邻接矩阵分解为两个 非
删除结点
负矩阵来揭示网络的社区结构,并能够 适
删除边
应网络结构随时间的动态变化。研究人员基
T2
于非负矩阵分解的社区发现方法相关研究如
下。Ma 等[52]基于非负矩阵分解提出一种动态
网络中进化群落的协同正则演化方法,利用
前一时间步的网络和社区来表征聚类漂移,
并通过正则化将其纳入 Cr-ENMF 的目标函数
图表示方法 中,能够充分刻画网络的动态特性并准确地
图嵌入 邻接矩阵
平衡聚类精度和聚类漂移,但其时间复杂度
较高,不适用于大规模动态网络。
随机游走 路径表示 基于多目标优化的动态同质社区发现方
法通过考虑多个优化目标来识别动态网络中
社区发现方法
的社区结构。研究人员基于多目标优化的社
区发现方法相关研究如下。Shen 等[15]采用并
基于非负矩阵分解 基于多目标优化
行多目标进化优化来检测每个依赖于时间的
基于深度学习 基于影响最大化
子网络社区,其每个连通分量对应一个社区,
每个变化的连通分量的社区是基于时间相关
基于聚类 基于递归学习 子网络和时间无关子网络的先前连通分量形
成的,提高了动态社区发现算法的效率,但
图 6 动态同质社区发现核心架构 其不适用于动态加权网络。Sun 等[16]提出了
Fig.6 Dynamic homogenous community detection
一种基于粒子群优化的动态社区发现算法,
core architecture
动态同质图构造部分主要展示了动态同 其通过计算各结点的电阻距离得到网络中的
质图的构造形式,其所有结点类型一致,结 核心结点,核心结点和与其相关联的结点组
点之间边的类型也一致,但图结构会随时间 成一个社区,提高了动态社区发现算法的准
发生变化。图表示方法部分介绍了动态同质 确性和稳定性,但其不适用于重叠网络。
图中常用的几种方法,主要有图嵌入、邻接
表 10 动态同质社区发现方法
Table 10 Dynamic homogenous community detection method
方法名称 时间复杂度 核心方法 优点 局限性 适用网络
计算复杂度高
可解释性强
Cr-ENMF [52] O(ln 2 t kt ) 非负矩阵分解 局部最优解 高维稀疏网络
结构准确性高
参数敏感
PMOEO-DCD [15] - 结果质量高 计算量大 优化目标明确的
多目标优化
CNPSO [16] O( pop ( m n) n 2 ) 可解释性强 参数敏感 网络
Spiderweb [18] O(| V t |) 计算复杂度高
表示学习能力强
ASCDA [19] - 深度学习 可解释性差 大规模网络
适应性强
CADENCE [53] - 参数敏感
适用动态变化 计算复杂度高 社区结构清晰的
HLCD 变体[54] - 结点影响力最大化
提高社区质量 参数敏感 网络
CoDeDANet [55] - 可扩展性强 局部最优解 社区结构清晰的
聚类
nwNMF [56] O(n 2 m O(n3 (n 1))) 社区结构清晰 参数敏感 中小型网络
动态适应性 计算成本高
CDMIILG [17] O ( m) 递归学习 多类型网络
良好的泛化能力 参数敏感
13 Computer Engineering and Applications
基于深度学习的动态同质社区发现方 忆网络)来识别动态网络社区结构,这些方
法利用深度学习技术来处理和分析随时 间 法通过递归更新结点表示来捕捉时间序 列
变化的网络社区结构。研究人员基于深度学 数据中的动态模式。研究人员基于递归学习
习的社区发现方法相关研究如下。Yang 等[18] 的社区发现方法相关研究如下。Bolorunduro
提出了一种新的增量社区发现方法,该方法 等[17]提出了一种基于多层图的社区发现方法,
通过模拟蜘蛛网的进化过程来检测每个快照 使用层内和层间链接图来建模多个用户关系,
中的社区结构,其同时考虑了网络的平滑演 将增强版的社区挖掘算法与深度优先搜索方
化特性和每个快照中检测到的社区结构的质 法相结合,以在多层图中发现社区并进行优
量;因此,提取的结果不仅是高质量的,而 化实体搜索,具有线性时间复杂度,有效提
且保留了连续快照之间群落的进化平滑性。 高了多层图中社区发现的效率。
由于增量社区发现方法受初始网络社区和增 2.3.4 现有研究的不足和未来研究方向
量检测过程的影响,容易产生误差积累的问 在实际应用场景中,多数实体关系都是
题。为了解决上述问题,Jiang 等[19]提出了一 动态变化的,其对应的图结构也随着时间发
种通过合并和优化分裂社区来进行社区发现 生变化。因此,动态社区发现逐步成为当前
的算法,采用基于紧密相似度的社区发现算 研究热点。现有的动态同质社区发现方法已
法来查找第一快照的社区,然后从结点度值 经取得了一定的进展,但仍存在一些不足之
变化的角度,定义活跃结点并分配给某个社 处。比如,一些方法假设社区的演化是连续
区,将分配社区结构进一步分为由定义的添 的,即相邻时间步的社区结构变化较小。然
加边结点构建的本地社区和单例社区。通过 而,现实网络中的社区结构可能发生突变或
对分裂的社区结构进行合并和优化,检测出 快速变化,这些方法可能无法准确捕捉这些
最终的社区结构。McNeil 等[53]提出了一种基 变化。此外,动态网络中可能存在噪声和异
于网络社区内稳定交互时间框架的社区感知 常,如结点的突然消失或出现、边的异常变
网络状态检测方法,将动态网络建模为结点- 化等。现有方法在处理这些噪声和异常时可
结点-时间张量,并使用结构化规范多元分解 能表现不佳,导致社区发现的准确性下降。
和分段常数时间因子来迭代识别社区,提高 因此,研究能够处理社区结构突变和快速变
了社区发现算法的效率和可解释性。 化,且对噪声具有鲁棒性的动态社区发现方
基于结点影响最大化的动态同质社区 法是未来值得探讨的方向。
发现方法通过识别网络关键结点,最大 化 2.4 动态异质社区发现方法综述
信息传播,从而识别社区。基于结点影响最 2.4.1 问题定义
大化的社区发现方法如下。Samie 等[54]基于结 定义图 Gt (Vt , Et , At , Rt ) 是一个在时间 t
点影响力最大化提出了一种社区发现方法,
的子图,其中 Vt 是 t 时刻的结点集合, Et 是 t
通过将网络建模为图表来寻找最具影响力结
点的新方法,改进了寻找初始结点的方式, 时刻的边集合, At 是 t 时刻的结点类型集合,
提高了动态社区发现的效率。 Rt 是 t 时刻的边类型集合,动态图 G 表示为
基于聚类的动态同质社区发现方法利 G {G1 , G2 ,..., GT } 其中 T 是时间步的总数,
用聚类算法来处理网络数据,并结合时 间 每个时间步对应的子图 Gt 对应一个静态图,
信息捕捉网络的动态变化,以此发现社 区
表 示 在 特 定 时 间 点 的 网 络 状 态 ,
成员相似性。研究人员基于聚类的社区发现
Ct {C1t , C2t ,..., Ckt } 是在时间 t 的一个社区划分,
方法相关研究如下。Márquez 等[55]提出了一
种基于谱聚类的动态属性网络中的社区发现 其中 Cit 是第 i 个社区的结点集合, Ct 随时间
算法,该算法同时使用链接和结点信息来发 t 的变化而变化,表示社区的形成、合并、分
现动态属性网络中的社区,提高了社区发现 裂或消失。动态同质社区发现是指在结点类
算法的效率和准确度。Li 等[56]提出一种基于 型数量 | At | 1 或边类型数量 | Rt | 1 的动态图
复杂网络构建的聚类方法,首先基于形状的 G 中找到一个高质量动态社区划分序列
距离(Shape-Based Distance, SBD)来描述两个 {C1 , C2 ,..., CT } 。
单变量时间序列(Univariate Time Series, UTS)
2.4.2 核心架构
之 间 的 相 似 性 , 然 后 结 合 最 近 邻 算 法(𝜖-
动态异质社区发现的核心架构主要包括
Nearest Neighbor Algorithm, NN )来构建网
动态异质图构造、动态异质图表示方法和动
络,最后通过矩阵分解获得模糊隶属度矩阵
并生成聚类结果,有效提高了聚类精度和质 态异质社区发现方法三部分,如图 7 所示。
量。 动态异质图构造部分主要展示了动态异
基于递归学习的动态同质社区发现方 质图的构造形式,其结点类型和边的类型不
法利用递归神经网络及其变体(如长短期记 单一且图结构会随时间发生变化,图中不同
14 Computer Engineering and Applications
颜色的圆圈代表不同类型的结点,不同颜色 常见的动态异质社区发现方法有基于图神经
的直线代表不同类型的边。图表示方法部分 网络的方法、基于随机游走的方法、基于模块化
的方 法、基于矩阵扩展的方法、基于网络嵌
介绍了动态异质图中常用的几种方法,主要
入的方法、基于流随机块模型的方法、基于
有图嵌入、邻接矩阵、随机游走、路径表示、
隐马尔可夫模型的方法和基于深度学习的方
自动编码器和图神经网络六种方法。社区发
法,各类方法的时间复杂度、核心方法、优
现方法部分对动态异质图中常用的社区发现 点、局限性和适用网络对比如表 11 所示。
方法进行了归纳总结,详细介绍见 2.4.3 小节。 基于图神经网络的动态异质社区发现方
动态异质图构造 法通过结合图神经网络和动态网络分析技术,
T1 结点类型1
有效地跟踪和处理动态异质网络中的结构变
结点类型2 化,实时更新社区结构。研究人员基于图神
边类型1
经网络的社区发现方法相关研究如下。Zheng
边类型2
等[20]提出了时间异构图卷积网络,其利用一
新增结点
T2
组时间异构图的学习特征表示来检测社区,
新增边
解决了异构图数据会随着时间的推移而动态
删除结点
变化,使得大多数现有的社区发现方法失效
删除边
的问题,且该方法具有可扩展性。Gong 等[21]
提出一种对抗性时间图表示学习框架,它通
图表示方法 过注意力机制捕获更有效的时空特征,采用
图嵌入 邻接矩阵
对抗性训练来指导时间图表示的学习,并优
化可测量的模块化损失,以最大化社区的模
随机游走 路径表示 块化,提高社区发现的效率和质量。
基于随机游走的动态异质社区发现方
自动编码器 图神经网络
法是通过模拟随机结点在网络中的移动 过
程,从而揭示网络的局部聚集特性。研究人
社区发现方法
员基于随机游走的社区发现方法相关研究如
基于图神经网络 基于随机游走
下。Yin 等[23]基于随机游走提出一种用于大规
模动态社区发现的多目标进化聚类算法,对
基于模块化 基于矩阵扩展
传统的进化聚类框架和粒子群算法分别进行
基于网络嵌入 基于流随机块模型 了修改和增强,提高了社区发现的效率和准
确性。Jia 等[24]提出了一个检测多层空间相互
基于隐马尔可夫模型 基于深度学习 作用网络中的动态社区并研究其时空模式的
框架,其采用随机游走合并不同权值的网络
图 7 动态异质社区发现核心架构
Fig.7 Dynamic heterogeneous community detection
层,采用 Leiden 技术检测动态社区,采用探
core architecture 索性分析方法检查时空模式。
2.4.3 常见方法
表 11 动态异质社区发现方法
Table 11 Dynamic heterogeneous community detection method
方法名称 时间复杂度 核心方法 优点 局限性 适用网络
THGCN [20] O(| E | Cd | V | d ) 表示学习能力强 计算复杂度高
图神经网络 大规模网络
ATGRL [21] - 可扩展性 参数敏感
DYN-MODPSO [23] O(n log n) 时间复杂度低 结果随机性
随机游走 大规模网络
MDDUMC[24] - 适应性强 参数敏感
适用性广泛 局部最优解
DynaMo [57] O ( m / n) 模块化 中等规模网络
模型泛化性好 计算成本大
[58]
DDCSBM - 计算复杂度高
矩阵扩展 可扩展性 大规模网络
CDMA [59] O(n3 m1.5 ) 噪声敏感
计算复杂度高
MFLCD[60] O(n 2 ) 网络嵌入 表示学习能力强 多类型网络
参数敏感
计算复杂度高
可解释性强
STREAMBP[61] - 随机块模型 局部最优解 中等规模网络
可扩展性强
参数敏感
计算复杂度高
HMM-MODCD [62] O(n 2 ) 隐马尔可夫模型 时序建模能力 中小型动态网络
参数敏感
计算复杂度高
表示学习能力强
AC2CD [22] - 深度学习 可解释性差 大规模网络
适应性强
参数敏感
15 Computer Engineering and Applications
模块化方法侧重于优化网络的模块化 社区,解决了简单随机块模型下社区发现受
得分,用该得分衡量社区内部连接的紧密 限制的问题。
程度与社区间连接的稀疏程度。研究人员基 隐 马 尔可 夫模 型 是一 种时 序 概率 模型,
于 模块化 的社 区发现 方法 相关研 究如 下。 能够很好地捕捉网络社区结构随时间变化
[57]
Zhuang 等 提出了一种新的基于模块化的自 的动态特性。研究人员基于隐马尔可夫模型
适应增量算法,实现了在动态网络社区结构 的社区发现方法相关研究如下。Abbood 等[62]
更新的同时使模块化增益的增量最大化,其 基于隐马尔可夫模型提出了一种动态社区发
社区发现效果与重复应用静态算法一样有效。 现多目标进化算法,定义多目标优化问题来
基于矩阵扩展的动态异质社区发现方 考虑社区内和社区间的不同结构,将社区演
法对网络的邻接矩阵或特征矩阵进行扩展, 化问题表述为隐马尔可夫模型来跟踪最可能
以适应网络结构的动态变化和异质性,并 的 社区序 列, 然后采 用多 目标进 化算 法和
通过在矩阵上应用各种数学和计算技术来 Viterbi 算法来制定目标函数并为聚类动态网
发现和跟踪社区结构。研究人员基于矩阵扩 络提供了时间平滑性。
展的社区发现方法相关研究如下。Dall'Amico 基于深度学习的动态异质社区发现方
[58]
等 提出了一种基于 Bethe-Hessian 矩阵扩展 法利用深度学习技术来处理和分析动态异
的快速谱算法,该算法利用类标签及其时间 质网络中的社区结构。研究人员基于深度学
演化的正相关特性来检测社区,适用于任何 习的社区发现方法相关研究如下。Costa 等[22]
具有社区结构的动态图。Li 等[59]提出了一种 基于深度强化学习策略提出了用于动态社交
基于模体感知的多路复用网络社区发现算法, 网络中社区发现的 Actor-Critic(AC2CD)架构,
通过将多层网络聚合成单层复合网络,挖掘 其使用模块化密度函数的局部优化策略来处
每一层网络的高阶结构,并基于邻接矩阵和 理大型动态网络,提高了社区发现的效率,
模式邻接矩阵进行加权聚合,然后利用单层 但模型稳定性还有很大发展空间。
复合网络中的信息传播将网络中的结点转换 2.4.4 现有研究的不足和未来研究方向
为向量,以此在多层网络中发现社区。 现有动态异质社区发现方法虽然已经取
基于网络嵌入的动态异质社区发现方 得了一定的进展,但仍存在一些不足之处。
法,利用图嵌入技术学习结点嵌入。在较 许多现有方法在处理结点的异质属性时,往
低维度空间中表示结点,同时保留结点的 往只考虑有限或单一的属性维度,而忽略了
关系和社区结构。当网络动态变化时,随 结点可能具有的多重、复杂异质属性,并且
着网络的发展而动态更新网络嵌入表示。 动态图中的结点、边和属性会随时间发生变
研究人员基于网络嵌入的社区发现方法相关 化,可能会产生重叠结点或社区。这导致难
研究如下。Fani 等[60]提出了一种基于时间内 以全面、准确地揭示网络社区结构随时间发
容相似性的神经嵌入学习方法,通过神经图 生的变化。同时考虑网络的动态性和结点的
嵌入根据用户的社交网络连接来学习用户嵌 多重异质属性,动态异质社区发现的计算复
入,然后系统地插值基于时间内容的嵌入和 杂度通常较高,这使得现有方法难以应用于
基于社交链接的嵌入,以捕获代表用户的社 大规模动态网络。因此,研究能够在有多重
交网络连接和时间内容演变,以此产生的社 属性的动态异质图中进行重叠社区发现且计
区具有较高的质量。 算复杂度较低的方法是未来的发展方向之一。
基于随机块模型的动态异质社区发现 3 社区发现的应用领域
方法通过定义不同社区间及内部结点连接 3.1 社区发现在问答领域的应用
的概率来模拟网络生成过程,并能够适应 问答社区主要由用户、问题和答案组成,
网络结构和结点类型的多样性变化。研究人 其包含了大量的交互信息,这些信息往往是
员基于流随机块模型的社区发现方法相关研 复杂的,并且会随着时间而发生变化。因此,
[61]
究如下。Wu 等 基于流随机块模型开发了一 动态异质社区发现方法在问答领域有广泛的
种流信念传播方法,能够在动态网络中发现 应用。Wu 等[2]将社区发现应用在问答领域,
16 Computer Engineering and Applications
[24] JIA T, CAI C, LI X ,et al.Dynamical Community [34] HE C, CHENG J, CHEN G ,et al.Multiple Topics
Detection and Spatiotemporal Analysis in Multila Community Detection in Attributed Networks[C]
yer Spatial Interaction Networks Using Trajectory //International ACM SIGIR Conference on Resea
Data[J].Int. J. Geogr. Inf. Sci.,2022,36(9):1719-1 rch and Development in Information Retrieval.20
740. 23:2199-2203.
[25] CHAKRABORTY T, DALMIA A, MUKHERJEE [35] QIN M, ZHANG C, BAI B ,et al.Towards a Bette
A ,et al.Metrics for Community Analysis: A Surv r Tradeoff between Quality and Efficiency of Co
ey[J].ACM Computing Surveys,2017,50(4):54:1- mmunity Detection: An Inductive Embedding Me
54:37. thod across Graphs[J].ACM Transactions on Kno
[26] LIU X, CHENG H M, ZHANG Z Y.Evaluation o wledge Discovery from Data,2023,17(9):127:1-1
f Community Detection Methods[J].IEEE Transa 27:34.
ctions on Knowledge and Data Engineering,2020, [36] WANG Z, LIANG Y B, JI P S.Spectral Algorithm
32(9):1736-1746. s for Community Detection in Directed Networks
[27] LUO X, LIU Z G, JIN L ,et al.Symmetric Nonneg [J].Journal of Machine Learning Research,2020,2
ative Matrix Factorization-Based Community Det 1:153:1-153:45.
ection Models and Their Convergence Analysis[J]. [37] CHEN L, GAO Y J, HUANG X R ,et al.Efficient
IEEE Transactions on Neural Networks and Lear Distributed Clustering Algorithms on Star-Schem
ning Systems,2022,33(3):1203-1215. a Heterogeneous Graphs[J].IEEE Transactions on
[28] NI L, GE J, ZHANG Y ,et al.Semi-Supervised Lo Knowledge and Data Engineering,2022,34(10):4
cal Community Detection[J].IEEE Transactions o 781-4796.
n Knowledge and Data Engineering,2024,36(2):8 [38] MEI J P, LV H J, YANG L H ,et al.Clustering for
23-839. Heterogeneous Information Networks with Exten
[29] KANG D Y, LEE W, LEE Y-C ,et al.A Framewor ded Star-Structure[J].Data Mining and Knowledg
k for Accurate Community Detection on Signed N e Discovery,2019,33(4):1059-1087.
etworks Using Adversarial Learning[J].IEEE Tra [39] LI X, KAO B, REN Z C ,et al.Spectral Clustering
nsactions on Knowledge and Data Engineering,20 in Heterogeneous Information Networks[C]//AA
23,35(11):10937-10951. AI Conference on Artificial Intelligence.2019:422
[30] ZHU W, CHEN C, PENG B.Unified Robust Netw 1-4228.
ork Embedding Framework for Community Dete [40] DALL'AMICO L, COUILLET R, TREMBLAY N.
ction via Extreme Adversarial Attacks[J].Informa Revisiting the Bethe-Hessian: Improved Commun
tion Sciences,2023,643:119200. ity Detection in Sparse Heterogeneous Graphs[C]
[31] WANG Y, CAO J, BU Z ,et al.Dual Structural Co //Conference on Neural Information Processing S
nsistency Preserving Community Detection on So ystems.2019:4039-4049.
cial Networks[J].IEEE Transactions on Knowledg [41] QING H, WANG J.Community Detection for We
e and Data Engineering,2023,35(11):11301-1131 ighted Bipartite Networks[J].Knowledge-Based S
5. ystems,2023,274:110643.
[32] ZHOU J, CHEN Z, DU M ,et al.RobustECD: Enh [42] XU D, CHEN Y, CUI N ,et al.Towards Multi-Dim
ancement of Network Structure for Robust Comm ensional Knowledge-Aware Approach for Effecti
unity Detection[J].IEEE Transactions on Knowle ve Community Detection in LBSN[J].World Wid
dge and Data Engineering,2023,35(1):842-856. e Web,2023,26(4):1435-1458.
[33] WANG B, CAI X, XU M ,et al.A Graph-Enhance [43] SU S, GUAN J, CHEN B ,et al.Nonnegative Matr
d Attention Model for Community Detection in M ix Factorization Based on Node Centrality for Co
ultiplex Networks[J].Expert Systems with Applic mmunity Detection[J].ACM Transactions on Kno
ations,2023,230:120552. wledge Discovery from Data,2023,17(6):84:1-84:
20 Computer Engineering and Applications