В последнее время во многих системах, таких как распознавание речи и визуальная обработка, широко внедряется глубокое обучение. В этом исследовании мы изучаем возможность использования глубокого обучения для обнаружения сообщества среди наборов данных графа. Графики набирают все большую популярность в различных областях, включая социальные сети, информационные графики, рекомендательную систему, а также науки о жизни. В этой статье мы предлагаем метод обнаружения сообщества, объединяющий узлы различных наборов данных графа. Мы группируем наборы данных различных категорий, которые принадлежат аффилированным сетям, сетям животных, сетям контактов людей, социальным сетям людей, разным сетям. Роль глубокого обучения в моделировании взаимодействия между узлами в сети позволяет произвести революцию в области науки, связанной с анализом графовых сетей. В этой статье мы расширяем подход Gumbel softmax к кластеризации графовых сетей. Экспериментальные результаты на конкретных наборах данных графа показывают, что новый подход значительно превосходит традиционную кластеризацию, что убедительно демонстрирует эффективность глубокого обучения в кластеризации обнаружения сообщества графов. Мы проводим серию экспериментов с нашим алгоритмом кластеризации графов, используя различные наборы графических данных: клуб карате Закари, горные племена, взрыв поезда, американская революция, дельфины, зебра, виндсерферы, «Отверженные», политические книги.
https://link.springer.com/article/10.1007/s42979-020-00264-2
