69一区二三区好的精华液,中文字幕无码av波多野吉衣,亚洲精品久久久久久无码色欲四季,日本不卡高字幕在线2019

標題：A survey of community detection in complex networks using nonnegative matrix factorization

作者：Chaobo He;Xiang Fei;Qiwei Cheng;Hanchao Li;Zeng Hu;Yong Tang*

期刊：IEEE Transactions on Computational Social Systems

網址：https://ieeexplore.ieee.org/document/9559733/

簡介：社區發現是復雜網絡分析領域的熱門研究話題之一，其目標是識別復雜網絡中的高內聚子圖或模塊。非負矩陣分解（Nonnegative Matrix Factorization，NMF）由于具備可解釋性、簡單性、靈活性和通用性等特性，已成為一種非常理想的社區發現模型，同時許多相關方法正持續不斷被提出。為了促進基于NMF的社區發現的研究，對基于NMF的社區發現方法進行了全面的總結歸納，特別是在知名學術期刊和會議上提出的最新方法。首先，介紹NMF的基本原理，解釋NMF能夠用于社區發現的原因，并設計基于NMF的社區發現方法的通用框架。其次，根據適用的網絡類型，提出將現有基于NMF的社區發現方法分為六類，即拓撲網絡、符號網絡、屬性網絡、多層網絡、動態網絡和大規模網絡，同時深入分析了各個類別中的代表性方法。最后，總結現有方法面臨的共同問題和潛在解決方案，并提出四個有前景的研究方向。該文預期能夠充分展示基于NMF的社區發現方法的全能優勢，并可為相關領域的研究人員提供有價值的參考。

標題：Boosting nonnegative matrix factorization based community detection with graph attention auto-encoder

作者：Chaobo He;Yulong Zheng;Xiang Fei;Hanchao Li;Zeng Hu;Yong Tang*

期刊：IEEE Transactions on Big Data

網址：https://ieeexplore.ieee.org/document/9512416

簡介：社區發現有助于理解復雜網絡的結構和功能，并已成為復雜網絡分析領域的熱門研究話題之一。由于簡單、靈活、有效和可解釋，基于非負矩陣分解 (NMF) 的方法已被廣泛用于社區發現。然而，現有大多數基于 NMF的社區發現方法是線性的，在面對具有多樣化結構信息的復雜網絡時，其性能往往受到限制。為此提出了一種基于非線性NMF的方法NMFGAAE，其包含兩個主要模塊：NMF 和 Graph Attention Auto-Encoder (GAAE)。NMFGAAE主要借助圖神經網絡（Graph Neural Network, GNN）和深度聚類來提高基于 NMF 的社區發現性能。具體而言，GAAE引入一種面向基于NMF 的社區發現的注意力機制來學習節點表示，NMF用于分解節點表示以揭示社區結構。設計了一個統一的優化框架來聯合訓練GAAE 和NMF 模塊，以有利于獲得更好的社區發現結果。在多個人工合成網絡和真實網絡進行了大量實驗，結果表明NMFGAAE不僅優于現有最具代表性的基于NMF的社區發現方法，而且還優于一些典型的基于網絡表示學習的方法，包括DeepWalk+K-means和LINE+K-means。

2篇論文均得到國家自然科學基金、教育部人文社會科學研究青年基金及廣東省自然科學基金項目的支持。