《Applied Sciences》：CGAF: Community-Guided Attentive Fusion for Community Detection in Multiplex Networks
编辑推荐：
多重网络中的社区检测旨在从多种类型的关系中寻找节点群组。注意力机制可以整合这些关系，但基于嵌入兼容性的权重并不能显式衡量节点邻域所提供的社区支持程度。研究人员提出社区引导的注意力融合（Community-Guided Attentive Fusion, CGA
多重网络中的社区检测旨在从多种类型的关系中寻找节点群组。注意力机制可以整合这些关系，但基于嵌入兼容性的权重并不能显式衡量节点邻域所提供的社区支持程度。研究人员提出社区引导的注意力融合（Community-Guided Attentive Fusion, CGAF），这是一种端到端的图神经网络框架，利用邻域社区证据来引导关系融合。图对比学习对精炼关系图和学得的融合图进行编码，以捕获关系特定信息与共享信息。共享原型（prototypes）产生临时软隶属度，用于计算度校正的邻域证据。该证据调整节点特定的注意力，可学习的残差系数将关系嵌入与融合图表示相结合。随后原型将社区分配给所得表示。对比学习、自训练与模块度目标的联合优化将表示学习、关系加权与社区分配相连接。在ACM、DBLP和Yelp数据集上，在所陈述的实验协议下，CGAF在八种对比方法中的四项社区检测指标上取得了最高的观测均值。消融实验与参数分析展示了社区证据、结构监督和残差融合对所学划分的贡献。
论文解读
一、研究背景与动机
社区检测旨在识别网络中连接关系所揭示的节点群组结构，这些群组有助于描述社交圈、研究领域以及相关服务或产品的集合。在属性网络中，节点间的连通性与节点属性共同为群组划分提供证据。图神经网络（Graph Neural Networks, GNNs）通过在图中传播属性信息来结合这两种证据来源，因而成为学习社区表示的天然基础。
多重网络描述的是同一组节点通过多种类型关系进行交互的系统。例如，个体可以在不同社交平台上维持不同的连接关系，而研究者可以通过合著关系和发表场所产生关联。尽管节点身份在各层间共享，但每一层为同一节点提供了不同的邻域结构。因此，多重网络中的社区检测必须整合各关系层，同时保留能够区分各层贡献的信息。
现有方法存在以下不足：其一，基于嵌入兼容性计算的注意力权重不能显式衡量某一关系的邻域是否支持当前的临时社区分配；其二，社区支持度必须相对于各关系中连接的分布进行解释——一个拥有大量关联边的社区可能仅仅因为其在图中占据较大的度加权份额而获得较大比例的节点邻居，直接使用该比例会偏向于拥有大量关联边的社区；其三，有效的融合机制应在保留跨层共享信息的同时利用社区证据。
二、研究内容与主要结论
研究人员提出了社区引导的注意力融合（CGAF），这是一个端到端的GNN框架，用于属性多重网络中的社区检测。该框架将邻域社区证据、注意力关系融合和基于原型的社区分配相连接。在ACM、DBLP和Yelp三个数据集上，CGAF在所陈述协议下与八种对比方法相比，在NMI、ARI、ACC和macro-F1四项指标上均取得了最高的观测均值。置信区间量化了与最强基线的差异。消融实验和参数分析展示了社区证据、结构监督和残差融合对所学划分的贡献。
三、关键技术方法
研究人员采用以下核心技术方法构建CGAF框架：
第一，图结构精炼模块。通过固定特征传播预处理为各图学习器提供关系依赖的属性，每个关系配备两层特征加权网络，通过余弦相似度与top-k选择构造精炼关系图和融合图。
第二，图对比表示学习模块。所有学习图和增强图共享一个两层GCN编码器，通过随机边丢弃产生增强观测，采用三种对比损失分别对齐不同关系、关系与其增强观测、融合图与各关系。
第三，社区引导融合与分配模块。维护K个学习原型，通过高斯距离分配算子产生临时软隶属度；基于原始邻接矩阵计算度校正的社区证据，将邻域软隶属度聚合与度加权背景相减，等价于对软隶属度应用行归一化的模块度残差；通过中心化注意力校正调整节点特定关系注意力，可学习残差系数将关系嵌入与融合图表示相结合；共享原型产生最终社区概率，自训练目标强化置信分配，软模块度目标提供结构监督，占用正则化避免社区质量集中。
第四，两阶段训练策略。先优化对比目标进行预训练，再用K-means初始化原型，随后联合优化对比、自训练和模块度目标。
四、研究结果
4.1 与现有方法的比较
CGAF在全部十二个数据集-指标组合中取得最高观测均值。在ACM上，ARI、ACC和macro-F1的差异具有正的置信下限；其余九个区间包含零。最强基线随数据集变化：NGCE在ACM上领先，BMGC在DBLP上领先三项指标，InfoMGF在Yelp上全部领先。与InfoMGF相比，CGAF在ACM、DBLP和Yelp上分别将NMI均值提高若干百分点，且NMI标准差在三个数据集上均更低。
4.2 消融研究
六种消融变体检验了连接社区证据、关系融合和划分学习的各组件。完整CGAF模型在三个数据集上均取得最高的NMI和ARI均值。去除证据校正使三个数据集的NMI均值分别下降；去除度校正同样降低两项指标。全局注意力控制在Yelp上降幅最大，而设置残差系数为零则去除关系特定调整。去除自训练在Yelp上产生显著NMI下降，去除模块度在DBLP上产生最大NMI下降。
4.3 参数敏感性分析
自训练权重从零增至默认值使Yelp的NMI和ARI均值提升，NMI标准差下降，分配熵降低。模块度权重从零增至默认值使DBLP的NMI和ARI分别提升，硬划分平均模块度增加；ACM和Yelp变化不大。联合对比权重方面，DBLP在零权重时达到最高NMI和ARI，表明其更偏好联合训练阶段对社区目标的更强适应。残差融合初始化方面，四个测试小值均保持稳定，较大值在ACM和Yelp上降低划分质量。
4.4 执行时间与内存
在固定输入度下，从1000到4000节点，峰值CUDA分配从356增至3993 MiB，中位联合更新从约1.2增至约4.5秒。在6000和8000节点时，分配器需求达8653和15121 MiB，超过约8188 MiB的专用GPU容量。超过4000节点后的急剧增长识别出该硬件上稠密实现的实际容量约束。
五、讨论与结论
讨论部分指出CGAF学习划分依赖于预设的社区数量K，当K未知时需通过领域知识、谱估计或模型选择准则预先确定。对于稀疏、含噪和缺失的关系，孤立节点在该关系上获得零证据，空关系整体获得零证据，中心化操作使证据校正为零，而基础注意力和属性驱动的图学习仍提供表示。残差路径分析给出了固定上下文扰动下的敏感度界限。
研究结论为：本文提出了用于属性多重网络社区检测的CGAF方法。该方法利用度校正的邻域隶属度调整节点特定的关系注意力，可学习残差系数将关系嵌入与融合图表示相结合，共享原型将融合与社区分配相连接。联合优化使社区目标能够同时更新表示及其整合权重。在ACM、DBLP和Yelp上，CGAF在八种对比方法中取得了四项指标的最高观测均值。消融和参数分析展示了社区证据、结构监督和残差融合的贡献。资源剖析与模型假设分析为稀疏计算、自动社区数选择和部分观测关系等未来工作提供了方向。CGAF为多重网络聚类中利用邻域社区信息提供了一种显式、可微的方式。
