机构名称：
¥ 1.0
对归因图的社区检测，具有丰富的语义和拓扑信息为现实世界网络分析，尤其是在线游戏中的用户匹配提供了巨大的潜力。图形神经网络（GNNS）最近启用了深度图（DGC）方法，从语义和拓扑信息中学习群集分配。但是，它们的成功取决于与社区数量有关的先验知识，由于收购的高成本和隐私问题，这是不现实的。在本文中，我们研究了与事先的社区检测问题，称为𝐾 -free社区检测问题。为了解决这个问题，我们提出了一种新颖的深层自适应模型（DAG），以供社区检测，而无需指定先前的𝐾。DAG由三个关键组件组成，即带有屏蔽属性重新构造的节点表示模块，一个社区关联读数模块以及具有组稀疏性的社区编号搜索模块。这些组件使DAG能够将非差异性网格搜索的过程转换为社区编号，即存在的DGC方法中的离散超级参数，将其转换为可区分的学习过程。以这种方式，DAG可以同时执行社区检测和端到端的社区编号搜索。为了减轻现实世界应用中社区标签的成本，我们设计了一种新的指标，即使标签不可行，也可以评估社区检测方法。在五个公共数据集和一个现实世界的在线手机游戏数据集上进行了广泛的离线实验
dag：对归因图的深度自适应和无生成的社区检测
主要关键词
相关文件推荐
