Community Detection in General Hypergraph Via Graph Embedding
通过图嵌入检测一般超图中的社区结构AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究多方交互网络的超图表示、社区检测和网络结构估计，直接对应网络方法方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过图嵌入检测一般超图中的社区结构
- 研究问题
- 现实网络中的多方交互无法仅用两两连边充分表示；如何在超边大小相同或不同的一般超图中识别社区，并估计超图结构？
- 方法与思路
- 作者添加空顶点将非均匀超图扩充为均匀多重超图，再将顶点嵌入低维空间，使同社区顶点靠近，并以交替更新求解优化问题。
- 材料陈述的贡献
- 摘要称建立社区检测和超图估计两方面的渐近一致性，并通过合成与真实超图网络实验支持方法表现及其计算实现。
- 阅读关注点
- 应核对空顶点扩充如何保留原有交互信息、嵌入目标与社区判定规则，以及一致性对社区分离度和网络稀疏程度的要求。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明一致性条件、误差率或计算复杂度，社区检测不直接识别因果干扰。
原文摘要
Conventional network data have largely focused on pairwise interactions between two entities, yet multi-way interactions among multiple entities have been frequently observed in real-life hypergraph networks. In this article, we propose a novel method for detecting community structure in general hypergraph networks, uniform or non-uniform. The proposed method introduces a null vertex to augment a nonuniform hypergraph into a uniform multi-hypergraph, and then embeds the multi-hypergraph in a low-dimensional vector space such that vertices within the same community are close to each other. The resultant optimization task can be efficiently tackled by an alternative updating scheme. The asymptotic consistencies of the proposed method are established in terms of both community detection and hypergraph estimation, which are also supported by numerical experiments on some synthetic and real-life hypergraph networks. Supplementary materials for this article are available online.