综述：基于图扩散的社区检测：定义、挑战与模型综述

这篇综述系统梳理了基于图扩散（Graph Diffusion）技术的社区检测（Community Detection）研究进展，涵盖局部（Local）与全局（Global）社区检测任务，对比分析了基于边（Edge-Based）和高阶结构（Higher-Order Models）的模型性能，并指出未来方向，为网络科学（Network Science）与智能系统（Intelligent Systems）领域提供重要参考。

　　

引言

人工智能与数据挖掘的进步推动了网络分析在多领域的应用，如计算机科学、生物医学和社会学。社区检测（或称图聚类）旨在识别网络中内部连接紧密的顶点集合，其任务分为两类：基于少量顶点的个性化社区检测（局部任务）和全图社区结构提取（全局任务）。图扩散技术因其高效捕捉社区结构的能力，成为当前研究热点。

预备知识

社区检测任务的定义与图扩散框架是核心基础。图扩散通过模拟信息在顶点间的传播过程量化关联强度，其变体包括热核扩散（Heat Kernel）和个性化PageRank（PPR）。表1总结了符号体系，如顶点集（V）、边集（E）和扩散矩阵（D）。

基于图扩散的局部社区检测

局部方法更关注可扩展性和实际应用。低阶模型直接操作原始边结构，而高阶模型利用三角形等微小单元提升精度。例如，基于PPR的算法通过迭代计算顶点重要性分数定位社区，而融合网络模体（Motif）的方法能显著改善稀疏网络的检测效果。

基于图扩散的全局社区检测

全局方法通常采用种子集扩展（SSE）策略：先选择潜在社区内的种子顶点，再通过局部方法扩展为完整社区。此类方法可识别重叠社区结构，如基于k-核（k-Core）的模型能有效处理大规模网络，但计算复杂度较高。

未来方向

潜在研究方向包括：动态网络的实时社区检测、异构图（Heterogeneous Graph）的扩散模型优化，以及结合图神经网络（GNN）的端到端框架设计。此外，高阶结构的自动化选择与可解释性分析亦是关键挑战。

结论

本文首次系统综述了基于图扩散的社区检测方法，通过分类比较低阶与高阶模型，揭示了技术优势与局限。未来工作需进一步平衡精度与效率，并探索跨领域应用场景。

（注：全文严格依据原文内容缩编，专业术语如PPR、k-Core等均保留原文格式，未添加非原文结论。）