[10-28] 组会内容介绍：基于图对比学习的社区检测方法研究及其在开源社区中的应用

[l1tok]

Description

汇报人：李鸿斌

本次会议概述硕士大论文的整体框架并主要介绍已经大致完成的第一部分的内容。毕业论文研究主要包括 3 个方面，分别为：

1. 基于聚簇感知的图对比社区发现方法
2. 基于局部标签引导的图对比社区搜索方法
3. 开源社区检索和分析系统

本次主要介绍社区发现的部分。社区发现相关综述/仓库/博客：
Deep Cluster:

• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions Deep Clustering: A Comprehensive Survey
• https://github.com/zhoushengisnoob/DeepClustering

Deep Graph Cluster / Community Detection:

• A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and Open Resource
• An Overview of Advanced Deep Graph Node Clustering
• A comprehensive survey on community detection with deep learning
• https://github.com/yueliu1999/Awesome-Deep-Graph-Clustering
• https://github.com/FanzhenLiu/Awesome-Deep-Community-Detection
• https://www.marigold.website/

相关论文:

• Unsupervised Deep Embedding for Clustering Analysis
• Structural Deep Clustering Network
• Deep Fusion Clustering Network
• Deep Graph Clustering via Dual Correlation Reduction
• Hard Sample Aware Network for Contrastive Deep Graph Clustering
• C-Explorer: Browsing Communities in Large Graphs

[zhingoll]

昨天大家讨论到说：由于没有合适的标签，开源场景下的社区发现任务不方便做不同模型间效果的比较。我刚看到一篇论文 社区发现算法的研究及其在代码托管平台的应用_管圣腾.pdf，它最后是用社区发现算法实现了一个：用于给社区内开发者推荐社区内其他开发者，或者推荐社区内其他开发者感兴趣的项目，的系统。论文中系统截图如下：



这给我一个启发就是：在开源场景下评估社区发现算法的时候，可以在考虑寻常的社区发现指标（例如你的论文中提到的Modularity、Semantic）的同时，根据社区内开发者之间的好友关系（比如follow、交互等）、或者开发者是否参与了社区内其他开发者感兴趣的项目，等其他类似的可以用来衡量社区内节点实际关系（相似程度）的信息，来综合评估社区发现算法的优劣（需要注意的是，模型不能拿这些信息作为输入）。这样即兼顾了理论，又考虑了在开源场景下的实际效果，后续也方便做一些相关的应用。可以参考下~