通过神经注意力实现特征与拓扑结构的深度融合，用于多层社区检测

《Knowledge-Based Systems》：Deep Fusion of Feature and Topology via Neural Attention for Multilayer Community Detection

社区检测在复杂网络系统中至关重要，但现有方法难以处理多层数据的动态关联和异构属性。本文提出ML-KNCDA框架，通过可微分学习的神经图注意力机制，动态融合跨层依赖与拓扑相似性，并创新性地整合节点属性与结构信息。实验表明其较SOTA方法在模块度和NMI指标上分别提升118.5%和32%，支持大规模网络高效计算。

　　社区检测作为理解和分析复杂网络系统结构与功能的核心任务，具有自明的重要性，并已成为研究的热点。然而，当前的社区检测方法多集中于单层静态网络，未能充分捕捉多层网络中复杂的层间关联模式，也难以刻画社区在多层结构中的动态演化过程。因此，如何高效地执行多层网络的社区检测仍是一个挑战。为了解决这一问题，本文提出了一种创新的多层网络社区检测框架——ML-KNCDA（Multilayer Key Node and Community Detection Algorithm），该框架采用了一种神经图注意力架构，通过可微学习的方式整合节点属性、层间依赖关系以及拓扑感知的相似性。该框架不仅提升了社区检测的准确性，还增强了对复杂网络中关键节点识别的能力。

在实际应用中，多层网络的复杂性使得准确识别具有影响力的节点以及检测跨越多层依赖关系的连贯社区成为一项艰巨的任务。以多层学术合作网络为例，该网络包含多个层面，如合作作者关系层（Layer 1）和会议参与层（Layer 2）。在Layer 1中，节点代表研究人员，边表示共同发表的论文，其权重反映了合作的频率。在Layer 2中，节点同样代表研究人员，边表示他们共同参加的会议，权重则表示共同出席的频率。此外，节点还具有属性信息，如研究领域（如AI安全、生物网络）和论文影响力（如H指数）。这些层间的相互作用和节点属性的多样性使得传统的单层社区检测方法在处理多层网络时显得力不从心。

现有的方法通常将节点属性和拓扑结构视为独立的信息流进行处理，忽略了它们在社区形成中的协同效应。例如，两个经常在同一次会议上出现的研究人员（在Layer 2中具有较高的拓扑相似性）如果一个专注于AI安全，另一个则专注于生物网络，他们的研究方向存在显著差异，应当被分配到不同的社区中。然而，传统方法可能无法准确区分这些功能不同的节点，从而导致社区识别的错误。此外，现有方法在量化层间连接时多采用简化边重叠度量，忽视了现实中普遍存在的不对称影响传播模式。在学术合作网络中，顶级会议上的论文（Layer 1）往往能够引导新的会议主题（Layer 2），形成一种从论文到会议的影响流动。这种不对称性在现有方法中未能被充分考虑，从而导致关键研究人员对社区演化的影响力被低估。

为了克服上述局限性，本文提出的ML-KNCDA框架引入了三个核心创新点。首先，通过基于注意力的门控机制，实现动态层适应。这一机制能够根据系统演化的实际情况，实时调整各层的重要性权重。例如，在疫情期间，会议参与层（Layer 2）的重要性显著上升，而合作作者层（Layer 1）的预测能力下降。ML-KNCDA能够通过可训练的Jaccard系数，捕捉这种时间上的变化，从而更准确地识别出疫情期间形成的新兴研究社区。其次，ML-KNCDA引入了一种统一的属性与拓扑整合机制。该机制通过联合优化特征空间对齐（如余弦相似度）和图结构一致性（如注意力系数），实现了属性信息与拓扑结构的深度融合。这种整合方式确保了具有互补属性但相似拓扑结构的节点（如专注于AI安全和生物网络的研究人员）能够被正确区分，从而提升社区检测的准确性。最后，ML-KNCDA通过对比学习框架，显式建模层间的影响传播路径。例如，在学术合作网络中，论文对会议的影响流动需要被量化，以评估关键研究人员对社区演化的贡献。通过矩阵稀疏化技术，ML-KNCDA能够在较低的计算复杂度下高效地处理这些跨层依赖关系，从而提升算法的可扩展性。

在实验部分，本文对ML-KNCDA进行了全面的性能评估。通过在七个不同的任务数据集上进行测试，ML-KNCDA在多个关键指标上显著优于现有的三种最先进方法。其中，动态层适应机制不仅减少了计算时间，还提升了社区稳定性。与Multilayer Louvain方法相比，ML-KNCDA的计算时间减少了19%，同时在纵向分析中社区稳定性提高了32%。此外，属性与拓扑的统一整合机制显著提升了社区检测的准确性，通过优化结构信息与特征信息的融合，该方法在社区检测的准确率上提高了118.5%。而在跨层影响量化方面，ML-KNCDA能够在处理具有10,000个节点的网络时，实现比密集矩阵方法更高的计算效率，并将内存消耗减少了73%。这些性能提升表明，ML-KNCDA在处理大规模、高异质性的多层网络时具有显著的优势。

ML-KNCDA不仅在技术层面具有创新性，还在实际应用中展现出广阔的发展前景。该方法特别适用于那些具有高属性异质性、时间层重要性变化以及不对称层间依赖关系的网络。例如，在社交网络中，用户可能同时参与多个不同的社交平台（如微博、微信、LinkedIn），这些平台之间的互动关系和用户属性的多样性需要被综合考虑。在生物网络中，蛋白质可能通过多种不同的分子机制相互作用，这些机制之间的关联和动态变化也需要被准确建模。在基础设施网络中，交通、电力和通信系统之间的相互依赖关系同样复杂，传统的单层分析方法难以全面捕捉这些关系。因此，ML-KNCDA能够为这些领域的研究提供更精确的社区识别和关键节点分析工具。

本文的结构安排如下：第二部分将回顾相关工作，分析现有方法在处理多层网络时的优缺点；第三部分将详细介绍ML-KNCDA的框架设计，包括其核心组件和工作原理；第四部分将展示实验结果，通过标准化指标评估ML-KNCDA的性能；第五部分将探讨该方法在实际应用中的前景以及未来可能的研究方向。此外，本文还提到了未引用的文献（Table B.6），以及作者的贡献声明和利益冲突声明。这些部分进一步明确了研究的背景、方法和成果，为后续研究提供了理论依据和实践指导。

总之，ML-KNCDA通过动态层适应、统一属性与拓扑整合以及跨层影响量化等创新机制，有效解决了传统社区检测方法在多层网络中的局限性。其在多个数据集上的优异表现证明了该方法在复杂网络分析中的潜力。未来的研究可以进一步探索ML-KNCDA在更多应用场景中的适用性，例如在金融网络、医疗网络和物联网网络等复杂系统中，提升其在实际问题中的价值。同时，也可以结合其他先进的机器学习技术，如强化学习和图神经网络，以进一步优化算法性能，拓展其在多层网络分析中的应用范围。