网络表示学习（Network Embedding Representation）+社区发现（Community Detection）

本周+下周吸取这7篇顶会论文的精华。下面简单总结下每篇的摘要和文章内容。

1. Incorporating Network Embedding into Markov Random Field for Better Community Detection. Di Jin, Xinxin You, Weihao Li, Dongxiao He, Peng Cui, Francoise Fogelman-Soulie, Tanmoy Chakraborty. AAAI 2019.
   摘要：近期的社区发现任务主要是学习节点向量，将其作为特征使用一些聚类算法。严重的问题：在真实网络上，具有重要统计意义的节点被划分到不正确的社区，这是因为当一些距离度量捕捉到了结点向量的空间关系，这些节点映射到特征向量之后不再耦合，丢失了重要结构信息。
   我们提出了马尔科夫随机场（MRF）框架，将耦合引入到了网络嵌入中。巧妙的利用MRF的特性，解决了上述问题。

2. A Unified Framework for Community Detection and Network Representation Learning. Cunchao Tu, Xiangkai Zeng, Hao Wang, Zhengyan Zhang, Zhiyuan Liu, Maosong Sun, Bo Zhang, Leyu Lin. TKDE 2018.
   摘要：社区结构可以提升NRL的质量和一些相关的评价任务，比如链接预测和节点分类。鉴于网络表示学习和文本建模的相似性，受此启发，我们提出了一个统一的框架，命名为Community-enhanced NRL（CNRL）。CNRL同时检测每个顶点的社区分布，并且从节点和社区学习嵌入向量。除此之外还提出了一种社区提升机制，可以应用于现有的NRL算法中。
   适用任务：节点分类，链接预测，社区发现
   取得了不错得效果，验证了顶点和社区具有相关性的假设。

3. COSINE: Community-Preserving Social Network Embedding from Information Diffusion Cascades. Yuan Zhang, Tianshu Lyu, Yan Zhang. AAAI 2018.
   摘要：本论文研究了不依赖网络结构的情况下社交网络嵌入问题，而使用的是信息在网络中的传播。多个社区也规范了信息在网络中传播的路径。由此提出了一个生成概率模型，从一个社交传染病日志中学习community-preserving网络嵌入，捕捉到网络中的高阶用户亲密性。
   适用任务：疾病传播网络中的社区发现和时序动态预测。（具体预测什么也不知道）
   实验结果表现当然是良好的啦。

4. Multi-facet Network Embedding: Beyond the General Solution of Detection and Representation. Liang Yang, Xiaochun Cao, Yuanfang Guo. AAAI 2018.
   摘要：作者说现在的所有的社区检测和网络嵌入算法使用的都是同一种方法（只挖掘了最值得注意的结构——facet）对社区发现任务来说比较有效，但是对嵌入算法来说，只挖掘网络的一个facet是不行的，所以作者提出了MNE算法来捕捉网络中的多个facet结构。最后使用了许多优化方法使得算法时间复杂度与网络规模呈线性关系。

5. Community Detection in Attributed Graphs: An Embedding Approach. Ye Li, Chaofeng Sha, Xin Huang, Yanchun Zhang. AAAI 2018.
   摘要：现在网络中实体间信息比较丰富，所以使用属性图。目前的基于属性图的社区发现算法只利用了原始的网络拓扑结构，忽视了内在的社区结构。本文提出一种基于嵌入的模型，我们开发了一种社区结构嵌入方法来对社区结构进行编码。我们将社区发现任务定义为非负矩阵分解优化问题。

6. Preserving Proximity and Global Ranking for Node Embedding. Yi-An Lai, Chin-Chi Hsu, Wenhao Chen, Mi-Yen Yeh, Shou-De Lin. NIPS 2017.
   摘要：提出了一种非监督的网络嵌入的生成式方法，使用多任务孪生（Siamese）神经网络来连接嵌入向量和我们的objective（？）用来保存global node ranking和local proximity of nodes。深层次的分析了我们提出的proximity objective和链接预测，社区发现之间的联系起来。模型特性：可扩展性、不对称性、统一性和简单性。
   实验结果验证了上述特性并表明保留我们提出特性，可以提高使用嵌入作为特征的监督学习任务的效果。
   适用任务：learning-to-rank、节点分类、节点回归、链接预测。

7. Learning Community Embedding with Community Detection and Node Embedding on Graphs. Sandro Cavallari, Vincent W. Zheng, Hongyun Cai, Kevin ChenChuan Chang, Erik Cambria. CIKM 2017.
   摘要：这是我第一见到社区嵌入的说法。作者提出了Node Embedding->Community Detection->Community Embedding三者环形闭路，互相提升的观点。节点向量可以提升社区发现的效果，社区发现的输出结果亦可以用来提升社区嵌入的结果。反过来，社区嵌入结果从高阶层面上提升节点向量的结果，由此构成一个闭环，也因此整合出一个新的框架。
   适用任务：图可视化、社区发现、节点分类。
   最后用现实中的数据集和流行的基准方法进行了全方位立体化的对比，得出框架结果较优的结论。