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

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：Boosting nonnegative matrix factorization based community detection with graph attention auto-encoder

作者：Chaobo He;Yulong Zheng;Xiang Fei;Hanchao Li;Zeng Hu;Yong Tang*

期刊：IEEE Transactions on Big Data

网址：https://ieeexplore.ieee.org/document/9512416

简介：社区发现有助于理解复杂网络的结构和功能，并已成为复杂网络分析领域的热门研究话题之一。由于简单、灵活、有效和可解释，基于非负矩阵分解 (NMF) 的方法已被广泛用于社区发现。然而，现有大多数基于 NMF的社区发现方法是线性的，在面对具有多样化结构信息的复杂网络时，其性能往往受到限制。为此提出了一种基于非线性NMF的方法NMFGAAE，其包含两个主要模块：NMF 和 Graph Attention Auto-Encoder (GAAE)。NMFGAAE主要借助图神经网络（Graph Neural Network, GNN）和深度聚类来提高基于 NMF 的社区发现性能。具体而言，GAAE引入一种面向基于NMF 的社区发现的注意力机制来学习节点表示，NMF用于分解节点表示以揭示社区结构。设计了一个统一的优化框架来联合训练GAAE 和NMF 模块，以有利于获得更好的社区发现结果。在多个人工合成网络和真实网络进行了大量实验，结果表明NMFGAAE不仅优于现有最具代表性的基于NMF的社区发现方法，而且还优于一些典型的基于网络表示学习的方法，包括DeepWalk+K-means和LINE+K-means。

2篇论文均得到国家自然科学基金、教育部人文社会科学研究青年基金及广东省自然科学基金项目的支持。