令人惊叹的深度社区检测

这是一份关于深度与非深度社区检测的论文、实现、数据集和工具的集合。

• 令人惊叹的深度社区检测
  • 综述
  • 基于卷积神经网络的社区检测
    • 基于CNN的社区检测
    • 基于GCN的社区检测
  • 基于图注意力网络的社区检测
  • 基于生成对抗网络的社区检测
  • 基于自编码器的社区检测
  • 其他基于深度学习的社区检测
  • 非深度学习的社区检测
  • 数据集
  • 工具

---

传统方法 VS. 基于深度学习的方法

---

社区检测发展时间线

---

综述

论文标题	会议/期刊	年份	资料
深度学习在社区检测中的全面综述	IEEE TNNLS	2022	[论文] [报告] [补充材料]
社区检测方法综述：从统计建模到深度学习	IEEE TKDE	2021	[论文]
深度学习在社区检测中的应用：进展、挑战与机遇	IJCAI	2020	[论文] [报告]
多层网络中社区检测方法综述	Data Min. Knowl. Discov.	2020	[论文]
带属性节点的社会网络中的社区检测：综述	Comput. Sci. Rev.	2020	[论文]
网络中的社区检测：多学科综述	J. Netw. Comput. Appl.	2018	[论文]
动态网络中的社区发现：综述	ACM Comput. Surv.	2018	[论文]
进化计算在网络社区检测中的应用：综述	IEEE TEVC	2018	[论文]
社区分析指标：综述	ACM Comput. Surv.	2017	[论文]
网络社区检测：回顾与可视化综述	预印本	2017	[论文]
网络中的社区检测：用户指南	Phys. Rep.	2016	[论文]
社会网络中的社区检测	WIREs Data Min. Knowl. Discov.	2016	[论文]
网络中重叠社区检测：现状与比较研究	ACM Comput. Surv.	2013	[论文]
有向网络中的聚类与社区检测：综述	Phys. Rep.	2013	[论文]
图中的社区检测	Phys. Rep.	2010	[论文]

---

卷积神经网络-based社区检测

基于CNN的社区检测

论文标题	会议/期刊	年份	方法	资料
基于CNN的归纳式表示学习，用于部分未见的属性网络	IEEE TNSE	2021	IEPAN	[论文]
半监督在线社交网络社区检测的深度学习方法	Knowl.-Based Syst.	2021	SparseConv2D	[论文]
基于卷积神经网络的边分类，用于复杂网络中的社区检测	Physica A	2020	ComNet-R	[论文]
基于深度学习的社区检测方法	SAC	2019	SparseConv	[论文]
拓扑不完整网络中的深度社区检测	Physica A	2017	Xin et al.	[论文]

基于图卷积网络的社区检测

论文标题	会议/期刊	年份	方法	资料链接
复指数图卷积网络	《信息科学》	2023	CEGCN	[论文] [代码]
基于社区视角与图卷积网络的社区检测	《专家系统及其应用》	2023	CPGC	[论文]
基于图神经网络的异质问答社区检测	《信息科学》	2023	HCDBG	[论文]
利用图卷积网络在复杂网络上进行重叠社区检测	《计算机通信》	2023	CDMG	[论文]
Deep MinCut：从社区检测中学习节点嵌入	《模式识别》	2022	DMC	[论文]
二分网络中基于模块度的端到端社区协同划分	CIKM	2022	BiCoN+GCN	[论文]
CLARE：一种半监督社区检测算法	KDD	2022	CLARE	[论文] [代码]
用于联合节点表示学习和聚类的高效图卷积	WSDM	2022	GCC	[论文] [代码]
通过最大化速率降低进行几何图表示学习	WWW	2022	$G^2R$	[论文] [代码]
RepBin：基于约束的图表示学习用于宏基因组分箱	AAAI	2022	RepBin	[论文] [代码]
SSSNET：半监督有向网络聚类	SDM	2022	SSSNET	[论文] [代码]
随机块模型上图卷积网络的学习保证	ICLR	2022	GCN-SBM	[论文]
当卷积网络遇上时序异质图：一种有效的社区检测方法	IEEE TKDE	2021	THGCN	[论文]
多视图对比图聚类	NIPS	2021	MCGC	[论文] [代码]
结合联合表示聚类的去偏置图对比学习	IJCAI	2021	Zhao et al.	[论文]
面向属性图聚类的谱嵌入网络	《神经网络》	2021	SENet	[论文]
基于图卷积网络的无监督属性图社区检测	《神经计算》	2021	SGCN	[论文]
用于属性图嵌入的自适应图编码器	KDD	2020	AGE	[论文][代码]
CommDGI：面向社区检测的深度图信息最大化	CIKM	2020	CommDGI	[论文]
深入探索：图卷积梯形网络	AAAI	2020	GCLN	[论文]
促进独立性的图解耦网络	AAAI	2020	IPGDN	[论文]
使用线图神经网络进行监督式社区检测	ICLR	2019	LGNN	[论文][代码]
图卷积网络与马尔可夫随机场的结合：属性网络中的半监督社区检测	AAAI	2019	MRFasGCN	[论文]
利用图神经网络进行重叠社区检测	DLG Workshop, KDD	2019	NOCD	[论文][代码]
通过自适应图卷积进行属性图聚类	IJCAI	2019	AGC	[论文][代码]
CayleyNets：具有复有理谱滤波器的图卷积神经网络	IEEE TSP	2019	CayleyNets	[论文][代码]

---

基于图注意力网络的社区检测

论文标题	会议/期刊	年份	方法	资料链接
CSAT：用于属性缺失网络社区检测的对比采样-聚合Transformer	IEEE TCSS	2023	CSAT	[论文]
用于多层网络社区检测的图增强注意力模型	《专家系统及其应用》	2023	GEAM	[论文][代码]
用于联合表示的层次化注意力网络——面向属性社区检测	《神经计算与应用》	2022	HiAN	[论文]
从异质图中检测社区：一种基于上下文路径的图神经网络模型	CIKM	2021	CP-GNN	[论文][代码]
HDMI：高阶深度多层信息最大化	WWW	2021	HDMI	[论文][代码]
具有共对比学习的自监督异质图神经网络	KDD	2021	HeCo	[论文][代码]
无监督属性型多层网络嵌入	AAAI	2020	DMGI	[论文][代码]
MAGNN：用于异质图嵌入的元路径聚合图神经网络	WWW	2020	MAGNN	[论文][代码]

---

基于图对抗网络的社区检测

论文标题	会议/期刊	年份	方法	资料
CANE：基于对抗训练的社区感知网络表示学习	Knowl. Inf. Syst.	2021	CANE	[论文]
自训练增强：结合对抗学习的网络表示与重叠社区检测	IEEE TNNLS	2021	ACNE ACNE-ST	[论文]
用于符号网络精确社区检测的平衡三角形对抗学习	ICDM	2021	ABC	[论文]
SEAL：利用生成对抗网络学习社区检测启发式方法	KDD	2020	SEAL	[论文][代码]
多分类不平衡图卷积网络学习	IJCAI	2020	DR-GCN	[论文]
JANE：联合对抗网络表示学习	IJCAI	2020	JANE	[论文]
ProGAN：基于邻近关系的生成对抗网络表示学习	KDD	2019	ProGAN	[论文]
CommunityGAN：利用生成对抗网络进行社区检测	WWW	2019	CommunityGAN	[论文][代码]

---

基于自编码器的社区检测

论文标题	会议/期刊	年份	方法	材料
用于多层网络社区检测的图卷积融合模型	Data Min. Knowl. Discov.	2023	GCFM	[论文]
利用变分自编码器进行社区检测的新型网络核心结构提取算法	Expert Syst. Appl.	2023	CSEA	[论文][代码]
基于无监督属性网络嵌入的社区检测	Expert Syst. Appl.	2023	CDBNE	[论文][代码]
通过网络嵌入探索时间社区结构	IEEE TCYB	2022	VGRGMM	[论文]
图社区信息最大化	ACM TKDD	2022	GCI	[论文]
结合社区检测和卷积自编码器的多模态非欧几里得脑网络分析	IEEE TETCI	2022	M2CDCA	[论文]
面向属性图节点聚类的深度邻域感知嵌入	Pattern Recognit.	2022	DNENC	[论文]
利用图卷积自编码器进行属性图中的半监督重叠社区检测	Inf. Sci.	2022	SSGCAE	[论文]
基于深度学习的加权网络社区检测算法	Appl. Math. Comput.	2021	WCD	[论文]
DNC：一种基于深度神经网络、面向聚类的网络嵌入算法	J. Netw. Comput. Appl.	2021	DNC	[论文]
利用图注意力自编码器增强基于非负矩阵分解的社区检测	IEEE TBD	2021	NMFGAAE	[论文]
用于多视图聚类的自监督图卷积网络	IEEE TMM	2021	SGCMC	[论文]
图嵌入聚类：具有聚类特异性分布的图注意力自编码器	Neural Netw.	2021	GEC-CSD	[论文][代码]
用于动态社区检测的进化自编码器	Sci. China Inf. Sci.	2020	sE-Autoencoder	[论文]
基于堆叠自编码器并通过集成聚类框架实现的社区检测方法	Inf. Sci.	2020	CDMEC	[论文]
面向社区中心的图卷积网络用于无监督社区检测	IJCAI	2020	GUCD	[论文]
结构化深度聚类网络	WWW	2020	SDCN	[论文][代码]
用于多视图图聚类的One2Multi图自编码器	WWW	2020	One2Multi	[论文][代码]
用于聚类的多视图属性图卷积网络	IJCAI	2020	MAGCN	[论文]
通过注意力交叉图关联实现的深度多图聚类	WSDM	2020	DMGC	[论文][代码]
利用三元闭包提高图自编码器的有效解码能力	AAAI	2020	TGA TVGA	[论文]
通过梯形伽马变分自编码器进行图表示学习	AAAI	2020	LGVG	[论文]
使用深度传递自编码器在社交网络中实现高性能社区检测	Inf. Sci.	2019	Transfer-CDDTA	[论文]
属性图聚类：一种深度注意力嵌入方法	IJCAI	2019	DAEGC	[论文]
随机块模型与图神经网络的结合	ICML	2019	DGLFRM	[论文][代码]
利用拉普拉斯特征映射进行变分图嵌入和聚类	IJCAI	2019	VGECLE	[论文]
优化变分图自编码器以用于社区检测	BigData	2019	VGAECD-OPT	[论文]
通过深度联合重建进行整合性网络嵌入	IJCAI	2018	UWMNE	[论文]
深度属性网络嵌入	IJCAI	2018	DANE	[论文][代码]
用于有向网络图表示学习的深度网络嵌入	IEEE TCYB	2018	DNE-SBP	[论文][代码]
DFuzzy：一种基于深度学习的大规模图模糊聚类模型	Knowl. Inf. Syst.	2018	DFuzzy	[论文]
利用变分自编码器学习社区结构	ICDM	2018	VGAECD	[论文]
用于图嵌入的对抗正则化图自编码器	IJCAI	2018	ARGA ARVGA	[论文][代码]
BL-MNE：通过对齐自编码器的广义学习实现新兴异构社交网络嵌入	ICDM	2017	DIME	[论文][代码]
MGAE：用于图聚类的边缘化图自编码器	CIKM	2017	MGAE	[论文][代码]
带有动态嵌入的图聚类	预印本	2017	GRACE	[论文]
基于模块度的深度学习社区检测	IJCAI	2016	半DRN	[论文][代码]
用于学习图表示的深度神经网络	AAAI	2016	DNGR	[论文]
用于图聚类的深度表示学习	AAAI	2014	GraphEncoder	[论文][代码]

---

其他基于深度学习的社区发现

论文标题	会议/期刊	年份	方法	资料
用于社区发现的对比式深度非负矩阵分解	ICASSP	2024	CDNMF	[论文][代码]
基于双曲空间的图社区学习方法	Data Min. Knowl. Discov.	2023	RComE	[论文][代码]
深度交替非负矩阵分解	Knowl.-Based Syst.	2022	DA-NMF	[论文]
CGC：用于社区发现与追踪的对比图聚类	WWW	2022	CGC	[论文]
基于双重相关性降低的深度图聚类	AAAI	2022	DCRN	[论文] [代码]
聚类感知的异构信息网络嵌入	WSDM	2022	VaCA-HINE	[论文]
基于图滤波器的多视图属性图聚类	IJCAI	2021	MvAGC	[论文] [代码]
用于自演化层次社区发现的深度学习框架	CIKM	2021	ReinCom	[论文]
用于节点表示和社区发现的联合无监督嵌入学习	ECML-PKDD	2021	J-ENC	[论文]
基于模块化深度非负矩阵分解的社区发现	Int. J. Pattern Recognit. Artif. Intell.	2020	MDNMF	[论文]
用于社区发现的深度自编码器式非负矩阵分解	CIKM	2018	DANMF	[论文][代码]
基于深度稀疏滤波的网络社区发现	Pattern Recognit.	2018	DSFCD	[论文]
用于社区发现的非负对称编解码器方法	CIKM	2017	Sun et al.	[论文]

---

非深度学习的社区发现

论文标题	会议/期刊	年份	方法	资料
CataBEEM：在节点级社区发现模型中整合潜在交互类别以处理网络数据	ICML	2023	CataBEEM	[论文][代码]
基于节点中心性的非负矩阵分解用于社区发现	ACM TKDD	2023	NCNMF	[论文][代码]
社交网络上的双重结构一致性保持社区发现	IEEE TKDE	2023	DSCPCD	[论文][代码]
对称性和图双正则化的非负矩阵分解用于精确社区发现	IEEE TASAE	2023	B-NMF	[论文]
基于客流的多视角地铁站聚类：一种基于函数型数据边的网络社区发现方法	Data Min. Knowl. Discov.	2023	F2MVNCD	[论文]
基于模体感知的多层网络社区发现算法	Knowl.-Based Syst.	2023	CDMA	[论文]
通过类似自编码器的非负张量分解进行社区发现	IEEE TNNLS	2022	ANTD	[论文]
图正则化的非负矩阵分解用于属性网络中的社区发现	IEEE TNSE	2022	AGNMF-AN	[论文]
节点属性网络中的社区建模与检测	IEEE TKDE	2022	CRSBM	[论文]
社区发现中拓扑与内容之间的权衡：基于自适应编码器-解码器的 NMF 方法	Expert Syst. Appl.	2022	ANMF	[论文]
属性子空间中的社区发现	Inf. Sci.	2022	SOA	[论文]
图数据科学中的可解释性：社区发现的可解释性、可重复性和可再现性	IEEE Signal Process. Mag.	2022	--	[论文]
随机块模型的差分隐私社区发现	ICML	2022	Seif et al.	[论文]
基于进化多任务优化和进化聚类集成的多层网络社区发现	IEEE TEVC	2022	BSMCD	[论文]
细粒度属性图聚类	SDM	2022	FGC	[论文] [代码]
HB-DSBM：从社区层面到节点层面的动态复杂网络建模	IEEE TNNLS	2022	HB-DSBM	[论文]
PMCDM：多层网络中的隐私保护多分辨率社区发现	Knowl.-Based Syst.	2022	PMCDM	[论文]
为社区发现重新排列“不可分割”的块	IEEE TKDE	2022	RaidB	[论文]
考虑信息扩散的似然最大化优化用于社区发现	Inf. Sci.	2022	EM-CD L-Louvain	[论文]
部分可观测社交网络中的社区发现	ACM TKDD	2022	KroMFac	[论文]
通过超图聚类发现多元且经验丰富的群体	SDM	2022	Amburg et al.	[论文] [代码]
图中的社区发现：一种嵌入方法	IEEE TNSE	2022	SENMF	[论文]
使用局部群体同化进行社区发现	Expert Syst. Appl.	2022	LGA	[论文]
利用网络社区发现识别新闻中的早期预警信号	AAAI	2022	Le Vine et al.	[论文]
Residual2Vec：利用随机图去偏图嵌入	NIPS	2021	residual2vec	[论文] [代码]
流式信念传播用于社区发现	NIPS	2021	StSBM	[论文]
三角形感知谱稀疏化器与社区发现	KDD	2021	Sotiropoulos et al.	[论文] [代码]
在存在缺失边的网络上进行自引导社区发现	IJCAI	2021	SGCD	[论文]
大规模属性图上的高效可扩展聚类	WWW	2021	ACMin	[论文] [代码]
通过并行相关聚类实现可扩展的社区发现	VLDB	2021	Shi et al.	[论文] [代码]
基于邻近性的群体形成博弈模型用于社交网络中的社区发现	Knowl.-Based Syst.	2021	PBCD	[论文]
随机初始化何时有帮助：关于社区发现的变分推断研究	J. Mach. Learn. Res.	2021	BCAVI	[论文]
通过网络生成过程进行紧凑性保持的社区计算	IEEE TETCI	2021	FCOCD	[论文]
基于贝叶斯生成模型识别多语义社区	IEEE TBD	2021	ICMS	[论文]
网络嵌入增强的贝叶斯模型用于复杂网络中的广义社区发现	Inf. Sci.	2021	NEGCD	[论文]
多目标进化聚类用于大规模动态社区发现	Inf. Sci.	2021	DYN-MODPSO	[论文]
一种联合社区发现模型：通过带有注意力机制的因子图整合有向和无向概率图模型	IEEE TBD	2021	AdaMRF	[论文]
SimClusters：Twitter 上基于社区的异构推荐表示	KDD	2020	SimClusters	[论文] [代码]
用于网络社区发现的进化马尔可夫动力学	IEEE TKDE	2020	ePMCL	[论文]
基于网络约简的多目标进化算法用于大规模复杂网络中的社区发现	IEEE TCYB	2020	RMOEA	[论文]
将群体同质性和个体主题个性相结合可以更好地建模网络社区	ICDM	2020	GHIPT	[论文]
基于记忆算法的社区保全网络嵌入	IEEE TETCI	2020	MemeRep	[论文]
检测动态社交网络中的演化社区结构	World Wide Web J.	2020	DECS	[论文] [代码]
EdMot：面向模体感知的社区发现的边增强方法	KDD	2019	EdMot	[论文]
LPANNI：在大规模复杂网络中使用标签传播进行重叠社区发现	IEEE TKDE	2019	LPANNI	[论文]
从多智能体视角检测智能电网中的产消者社区	IEEE TSMC	2019	PVMAS	[论文]
从多智能体视角对分布式和动态网络进行本地社区挖掘	IEEE TCYB	2016	AOCCM	[论文]
用于复杂网络中高质量社区发现的一般优化技术	Phys. Rev. E	2014	Combo	[论文]
用于社区发现和图划分的谱方法	Phys. Rev. E	2013	--	[论文]
随机块模型与网络中的社区结构	Phys. Rev. E	2011	DCSBM	[论文]

---

数据集

引文/合著网络

• Citeseer、Cora、Pubmed https://linqs.soe.ucsc.edu/data
• DBLP http://snap.stanford.edu/data/com-DBLP.html
• 化学、计算机科学、医学、工程 http://kddcup2016.azurewebsites.net/

在线社交网络

• Facebook http://snap.stanford.edu/data/ego-Facebook.html
• Epinions http://www.epinions.com/
• Youtube http://snap.stanford.edu/data/com-Youtube.html
• Last.fm https://www.last.fm/
• LiveJournal http://snap.stanford.edu/data/soc-LiveJournal1.html
• Gplus http://snap.stanford.edu/data/ego-Gplus.html

传统社交网络

• 手机通话 http://www.cs.umd.edu/hcil/VASTchallenge08/
• Enron 邮件 http://www.cs.cmu.edu/~enron/
• 友谊关系 https://dl.acm.org/doi/10.1145/2501654.2501657
• Rados http://networkrepository.com/ia-radoslaw-email.php
• 空手道俱乐部、美式足球、海豚 http://www-personal.umich.edu/~mejn/netdata/

网页网络

• IMDb https://www.imdb.com/
• Wiki https://linqs.soe.ucsc.edu/data

商品共同购买网络

• Amazon http://snap.stanford.edu/data/#amazon

其他网络

• Internet http://www-personal.umich.edu/~mejn/netdata/
• Java https://github.com/gephi/gephi/wiki/Datasets
• 超文本 http://www.sociopatterns.org/datasets

---

工具

• Gephi https://gephi.org/
• Pajek http://mrvar.fdv.uni-lj.si/pajek/
• LFR https://www.santofortunato.net/resources

---

免责声明

如有任何问题，请随时与我们联系。 邮箱：fanzhen.liu@hdr.mq.edu.au, xing.su2@hdr.mq.edu.au

Awesome-Deep-Community-Detection 快速上手指南

Awesome-Deep-Community-Detection 并非一个单一的独立软件包，而是一个汇集了社区检测（Community Detection）领域前沿论文、代码实现、数据集和工具的精选列表。本指南将指导开发者如何利用该资源库快速找到并运行基于深度学习的社区检测算法。

环境准备

由于列表中包含多种不同架构的模型（如 CNN, GCN, GAT, GAN 等），具体的依赖项因所选算法而异。但大多数现代深度学习实现都遵循以下通用环境要求：

• 操作系统: Linux (推荐 Ubuntu 20.04+), macOS, 或 Windows (WSL2 推荐)
• Python 版本: 3.7 - 3.10 (具体视模型而定，建议创建虚拟环境)
• 核心框架: PyTorch (最常用) 或 TensorFlow/Keras
• 图神经网络库: torch-geometric (PyG), DGL, 或 Spektral
• 基础依赖: numpy, scipy, scikit-learn, networkx, pandas

前置依赖安装示例 (以 PyTorch 生态为例):

# 创建虚拟环境
python -m venv cd_env
source cd_env/bin/activate  # Windows: cd_env\Scripts\activate

# 安装 PyTorch (推荐使用国内镜像源加速)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装图神经网络核心库
pip install torch-geometric

# 安装通用数据处理库
pip install numpy scipy scikit-learn networkx pandas matplotlib

安装步骤

由于这是一个资源列表，"安装"实际上是指克隆仓库并获取你感兴趣的具体算法代码。

1. 克隆仓库:

   git clone https://github.com/FanzhenLiu/awesome-deep-community-detection.git
   cd awesome-deep-community-detection
   

2. 选择算法: 浏览 README.md 中的分类（如 GCN-based Community Detection），找到带有 [[Code]] 标记的项目。例如，选择 CLARE (KDD 2022) 或 AGE (KDD 2020)。

3. 获取具体实现: 点击对应论文的 [[Code]] 链接进入其独立仓库，或直接使用 git clone 下载。以 AGE 为例：

   # 进入上级目录后克隆具体算法仓库
   cd ..
   git clone https://github.com/thunlp/AGE.git
   cd AGE
   

4. 安装该算法的特定依赖: 大多数独立仓库都会提供 requirements.txt。

   pip install -r requirements.txt
   

   注：如果项目中没有 requirements.txt，请参考上述“环境准备”中的通用依赖进行安装。

基本使用

以下以 AGE (Adaptive Graph Encoder) 为例，展示如何运行一个典型的深度社区检测模型。其他模型的运行逻辑类似（通常为：准备数据 -> 配置参数 -> 运行训练/测试脚本）。

1. 准备数据

大多数算法使用标准的图数据集（如 Cora, Citeseer, Pubmed）。数据通常位于 data/ 目录下。如果没有，需手动下载并放置。

# 假设当前在 AGE 项目根目录
ls data/
# 应看到 cora/, citeseer/ 等文件夹

2. 运行模型

执行主训练脚本。通常可以通过命令行参数指定数据集、聚类数量（communities）和随机种子。

# 基本运行命令示例
python main.py --dataset cora --n_clusters 7 --seed 42

• --dataset: 指定数据集名称。
• --n_clusters: 指定预期的社区数量（对于有监督或半监督任务，这通常是已知的类别数）。
• --seed: 设置随机种子以保证结果可复现。

3. 查看结果

运行结束后，终端通常会输出评估指标（如 NMI, ARI, ACC），并在项目目录下生成保存的模型文件或聚类结果文件。

Training finished.
NMI: 0.5623, ARI: 0.4891, ACC: 0.6105
Results saved to ./results/cora_age.txt

通用开发建议

• 查阅原文: 在运行具体代码前，务必点击列表中的 [[Paper]] 阅读论文，了解模型的输入格式要求和超参数含义。
• 数据格式: 不同模型对输入图数据的格式要求不同（如 Adjacency Matrix vs. Edge List），请仔细阅读具体仓库的 README。
• GPU 加速: 如果数据集较大，建议在代码中启用 CUDA 加速（通常默认开启，可通过 --device cuda 参数控制）。