摘要：在复杂网络分析中，挖掘社区结构是一个重要且具有挑战性的研究方向。现有的基于深度学习方法在图相关任务取得不错效果，但鲜有处理社区检测任务，尤其是重叠社区检测，并且也未能充分挖掘和利用网络的拓扑结构信息。为此，提出了一种图正则化模糊自动编码器的重叠社区检测方法（Overlapping Community Detection with Graph Regularized Fuzzy AutoEncoder，FAE）。首先，运用自动编码器将网络拓扑编码为低维表示，进一步通过模糊C均值聚类形成模糊隶属度矩阵，后解码模糊隶属度矩阵以重构网络拓扑。然后，将用于刻画网络中结构信息的图正则融入上述自动编码器。再者，融合后的自动编码器构成堆叠自动编码器，以获取深度模糊隶属度矩阵。最后，基于模糊集理论，使用深度模糊隶属度矩阵划分重叠社区。在3组人工网络和6个真实网络上的实验结果表明，该方法基于重叠标准互信息熵（ONMI）、杰卡德指数（Jaccard）、F1分数（F1-Score）的评估性能优于7种经典算法的大部分算法，展示了其在处理复杂网络重叠社区检测问题上的潜力。
文章目录
1 相关工作
2 基础知识
2.1 基本概念和术语
2.2自动编码器(Autoencoder)
2.3 模糊C均值聚类(Fuzzy C-means，FCM)
3图正则化模糊自动编码器的重叠社区检测模型
3.1 构建模糊自动编码器
3.2 构建图正则项
3.3 重叠社区检测
3.4 模型推导
3.5 伪代码
4 实验
4.1 实验数据集和评价指标
4.2 实验分析
