科研之友
微信
新浪微博
Facebook
分享链接
摘要
异质信息网络(HINs)中搜索包含给定查询节点的社区具有广泛的应用价值，如好友推荐、疫情监控等。现有HINs社区搜索方法大多基于预定义的子图模式对社区的拓扑结构施加一个严格的要求，忽略了节点间的属性相似性，导致结构关系弱而属性相似性高的社区难以定位，并且采用的全局搜索模式，难以有效处理大规模的网络数据。为解决这些问题，首先设计解耦图神经网络和基于元路径的局部模块度，分别用于度量节点间的属性相似性和结构内聚性，并利用0/1背包问题优化属性和结构两种凝聚性度量指标，定义了最有价值的c大小社区搜索问题，进而提出了一种基于解耦图神经网络的价值最大化社区搜索模型，执行三个阶段的搜索过程。第一阶段，依据查询信息与元路径，构造候选子图，将搜索范围控制在查询节点的局部范围内，保证整个模型的搜索效率；第二阶段，利用解耦图神经网络，融合异质图信息和用户标签信息，计算节点间的属性相似度；第三阶段，根据社区定义以及凝聚性度量指标，设计贪心算法查找属性相似度高且结构凝聚的c大小社区。最后，在真实的同质和异质网络数据集上测试了搜索模型的性能，大量实验结果验证了模型的有效性和高效性。
- 单位
