近日，团队的论文成果被中科院二区、CCF C类期刊《Applied Intelligence》录用发表。

论文题目：An autoencoder considering multi-order and structural-role similarity for community detection in attributed networks

论文地址：https://link.springer.com/article/10.1007/s10489-023-04450-6

论文概述：

本文针对基于自动编码器的属性网络社区发现算法在高阶信息保留、结构角色相似度计算、以及拓扑属性相互融合等方面的不足，提出了一种新的静态属性网络社区发现方法。研究成果已发表于 Applied Intelligence。论文提出了一种两阶段社区发现算法 AMOSOS（Attribute-aware Multi-order Structure and Overlapping Similarity），其核心思想是结合自动编码器和 K-means 算法，从节点嵌入表示中提取社区结构。具体创新点包括：

1、多阶权重矩阵构建：通过设计顺序递减的权重策略，构造多阶权重矩阵以捕捉不同阶邻居的影响差异，从而更好地保留网络的高阶信息。

2、角色相似性指标：提出了一种新的指标，用于捕捉网络节点间复杂的耦合关系和交互特性，有效计算节点的结构角色相似度。

3、拓扑属性双向促进策略：为了解决拓扑信息和属性信息不匹配的问题，设计了一种拓扑与属性相互促进的方法，从而提高社区发现的准确性和鲁棒性。

在合成网络与真实世界数据集上的实验表明，AMOSOS 在社区发现任务上的表现优于现有的两阶段社区发现算法，尤其在复杂网络结构中展现了更高的精度和更强的适应性。