摘要
当属性网络中的社区数量事先未知时，社区检测的难度会显著增加。现有的大多数深度社区检测方法都假设社区数量是固定的，而基于强化学习的解决方案则常常存在动作值估计过高以及目标更新不稳定的问题。为了解决这些局限，我们提出了GCR-NET（图社区识别网络），这是一种结合了表示学习与自适应社区数量选择的、由强化学习引导的框架。该方法将成熟的深度强化学习技术中的解耦价值估计和渐进式锚点网络更新方法，应用到针对候选社区数量的正式马尔可夫决策过程之中。在引文、社交、生物医学以及蛋白质相互作用等基准数据集上的实验，以及包含十个以上社区的合成图实验表明，与传统的强化学习方法相比，GCR-NET在保持更低方差和更稳定优化效果的同时，还能获得更具竞争力的NMI和ARI得分。统计测试显示，其优势主要体现在训练稳定性上，而非大幅度的准确率提升。
