标题：A survey of community detection in complex networks using nonnegative matrix factorization

作者：Chaobo He;Xiang Fei;Qiwei Cheng;Hanchao Li;Zeng Hu;Yong Tang*

期刊：IEEE Transactions on Computational Social Systems   (SCI影响因子：4.747 )

网址：https://ieeexplore.ieee.org/document/9559733/

简介：社区发现是复杂网络分析领域的热门研究话题之一，其目标是识别复杂网络中的高内聚子图或模块。非负矩阵分解（Nonnegative Matrix Factorization，NMF）由于具备可解释性、简单性、灵活性和通用性等特性，已成为一种非常理想的社区发现模型，同时许多相关方法正持续不断被提出。为了促进基于NMF的社区发现的研究，对基于NMF的社区发现方法进行了全面的总结归纳，特别是在知名学术期刊和会议上提出的最新方法。首先，介绍NMF的基本原理，解释NMF能够用于社区发现的原因，并设计基于NMF的社区发现方法的通用框架。其次，根据适用的网络类型，提出将现有基于NMF的社区发现方法分为六类，即拓扑网络、符号网络、属性网络、多层网络、动态网络和大规模网络，同时深入分析了各个类别中的代表性方法。最后，总结现有方法面临的共同问题和潜在解决方案，并提出四个有前景的研究方向。该文预期能够充分展示基于NMF的社区发现方法的全能优势，并可为相关领域的研究人员提供有价值的参考。

标题：图卷积网络增强的非负矩阵分解社区发现方法

作者：郑裕龙，陈启买，贺超波，刘海，张晓雨

期刊：计算机工程与应用   (中文核心期刊，CSCD源刊，CCF中文C类 )

网址：中国知网下载地址

简介：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。