Обнаружение сообществ в сети, известное как обнаружение/обнаружение сообществ, является фундаментальной проблемой в науке о сетях , которая привлекала большое внимание в последние несколько десятилетий. В последние годы, с огромными исследованиями больших данных , другая связанная, но другая проблема, называемая поиском сообщества , которая направлена на поиск наиболее вероятного сообщества, содержащего узел запроса, привлекла большое внимание как академических, так и отраслевых областей. Это зависящий от запроса вариант проблемы обнаружения сообщества. Подробный обзор поиска сообщества можно найти по ссылке [1] , в которой рассматриваются все недавние исследования [2] [3] [4] [5] [6] [7] [8] .[9] [10] [11]
Как указано в первой работе по поиску сообществ [2] , опубликованной в SIGKDD'2010, многие существующие методы обнаружения/обнаружения сообществ учитывают проблему статического обнаружения сообществ, где граф должен быть разделен априори без ссылки на узлы запроса. В то время как поиск сообщества часто фокусируется на наиболее вероятном сообществе, содержащем вершину запроса. Основные преимущества поиска сообщества по сравнению с обнаружением/обнаружением сообщества перечислены ниже:
Например, недавняя работа [9] , посвященная атрибутивным графам, где узлы часто связаны с некоторыми атрибутами, такими как ключевое слово, и пытается найти сообщества, называемые атрибутивными сообществами, которые демонстрируют как сильную структуру, так и связность ключевых слов. Пользователям запроса разрешено указывать узел запроса и некоторые другие условия запроса: (1) значение k, минимальную степень для ожидаемых сообществ; и (2) набор ключевых слов, которые контролируют семантику ожидаемых сообществ. Возвращенные сообщества можно легко интерпретировать по ключевым словам, общим для всех членов сообщества. Более подробную информацию можно найти. [11]
Некоторые недавние исследования [4] [9] показали, что для миллионных графов поиск сообщества часто занимает менее 1 секунды, чтобы найти четко определенное сообщество, что, как правило, намного быстрее, чем многие существующие методы обнаружения/обнаружения сообщества. Это также означает, что поиск сообществ больше подходит для поиска сообществ из больших графов.
Поиск сообщества часто использует некоторые четко определенные, фундаментальные метрики графа, чтобы сформулировать сплоченность сообществ. Обычно используемые метрики: k-ядро (минимальная степень), [2] [4] [6] [7] [9] k-ферма, [5] [8] k-ребро-связность, [12] [13] и т. д. Среди этих мер метрика k-core является наиболее популярной и использовалась во многих недавних исследованиях, как описано в [1] .