图卷积网络增强的非负矩阵分解社区发现方法

摘要：

非负矩阵分解(nonnegative matrix factorization,NMF)因其有效性和易解释性强被广泛应用于社区发现领域.然而,现有大多数基于NMF的社区发现方法都是线性的,无法有效处理复杂网络的非线性特征,从而导致社区发现性能还有待进一步提高.针对该问题,提出了一种图卷积网络(graph convolutional network,GCN)增强的非线性NMF社区发现方法NMFGCN.NMFGCN包含两个主要模块:GCN和NMF,其中GCN用于学习网络节点表示,NMF将节点表示作为输入获得网络的社区表示.此外,提出一个联合优化方法以训练NMFGCN,不仅使得NMFGCN具有非线性特征表示能力,而且可以使得GCN和NMF相互促进并获得更好的社区划分结果.在人工合成网络和真实网络上进行大量实验,结果表明NMFGCN优于目前基于NMF的社区发现方法,从而证明NMFGCN确实可以提高NMF社区发现方法的性能.此外,NMFGCN还优于DeepWalk和LINE常用图表示学习方法.

关键词：社区发现、非负矩阵分解、图卷积网络、非线性方法

所属期刊栏目：58

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金;教育部人文社会科学研究项目;广东省自然科学基金

在线出版日期：2022-06-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：73-83