学习还是不学习？社区搜索方法的深入实证分析

《Proceedings of the ACM on Management of Data》：To Learn or Not to Learn? An In-depth Empirical Analysis of Community Search Approaches

　　社区搜索（CS）是图分析中的基本问题，其目标是在满足特定社区模型的前提下，识别出依赖于查询的、包含给定查询顶点的紧生子图。尽管已有大量社区搜索方法被提出，包括非学习方法和学习方法，但现有研究缺乏将这两种范式联系起来的统一实验评估。因此，这些方法的相对优势和劣势仍未得到充分理解。此外，从业者缺乏有效的方法来为多样化的查询推荐合适的社区搜索方法。为了解决这些局限，本文在各种真实世界数据集上对代表性的社区搜索方法进行了全面而深入的实证分析。我们系统地评估了它们的整体性能，研究了真实社区固有属性的影响，并在统一的实验框架下分析了这些方法的泛化能力。结果表明，现有的社区搜索方法在不同查询之间表现出有限的泛化能力，这意味着没有单一方法能在所有情况下达到最优性能，最佳方法取决于具体查询。基于这些见解，我们提出了RecCS，一个查询感知的推荐模型，用于选择表现最佳的社区搜索方法。大量实验表明，RecCS能够高效且有效地提升社区搜索性能。最后，我们总结了当前社区搜索方法的局限性，并倡导将泛化能力作为未来研究的重要方向。---**AI生成摘要（实验性）**本摘要由自动化工具生成，未经文章作者撰写或审阅。它旨在支持发现，帮助读者评估相关性，并协助来自相邻研究领域的读者理解本文工作。它作为作者提供的摘要的补充，后者仍然是论文的主要摘要。全文仍为权威的记录版本。点击此处可对摘要的准确性、清晰度和实用性进行评论。这将有助于改进和未来重新生成的版本。---要查看此AI生成的简明摘要，您必须拥有高级访问权限。