重叠社区检测
内容提要
同构图节点类型单一，异构图可将多属性融入图结构。异构图社区检测需用重叠社区算法：Linkcomm以边为基本元素，按边相似度合并，使节点可属多社区；CPM通过k-派系渗透找社团，依赖超参k且复杂度高；SLPA用标签传播迭代，成本高；LEMON用于种子扩张扩召回。
延伸解读
重叠社区检测的适用场景
文章指出，同构图节点类型单一，其他属性需人工融入特征；异构图则能直接将多属性定义到图结构中，更贴合实际。在异构图中，一个节点可能属于多个社区，因此需要重叠社区检测算法。这提示读者，当数据包含多种节点类型或节点具有多重归属时，应优先考虑异构图建模和重叠社区算法。
Linkcomm与Louvain的对比
Linkcomm以边为基本元素，按边相似度顺序合并，使节点可属多社区；Louvain以节点为基本元素，合并过程随机。Linkcomm每次合并两个社团，一次迭代求最优；Louvain每次移动一个节点，多轮迭代至收敛。读者可根据对确定性和效率的需求选择：Linkcomm合并顺序确定但粒度粗，Louvain更灵活但结果受随机性影响。
CPM算法的限制与调参
CPM通过寻找k-派系并渗透形成社团，依赖超参k（通常4-6），划分结果对k敏感。它适用于联通子图较多的场景，但复杂度较高，支持节点数量有限，且不能加入边权信息。使用时需根据数据规模调整建图方式，并谨慎选择k值，避免因k不当导致社团划分不合理。
SLPA与LEMON的定位
SLPA通过标签传播迭代，每个节点保留占比超过阈值的多个标签，从而识别重叠社区，但迭代成本高，且可能收敛困难，收敛后精度高但召回不高。LEMON是种子扩张算法，已知部分节点和社区，用于扩充同社区其他节点，适合扩召回场景。两者分别适用于对精度要求高或需扩大召回的任务。
Q&A
异构图和同构图在社区检测上有什么主要区别？
同构图节点类型单一，其他属性需人工融入特征；异构图能直接将多属性定义到图结构中，不依赖人工，更贴合实际。异构图社区检测中节点可能属于多个社区，因此需要重叠社区检测算法。
Linkcomm算法是如何实现重叠社区检测的？
Linkcomm以边为基本元素进行社区划分，通过边-边相似度（两条边非公共节点的邻居节点交并比）排序合并边，使同一个点可以属于不同社区。合并时选择使社团整体密度最大的状态作为最终结果。
CPM算法做重叠社区检测的步骤是什么？
CPM分两步：1. 寻找k个节点的完全子图作为k-派系；2. 若两个k-派系有k-1个公共节点，则它们属于同一社团，按此连边形成的联通分支即为一个社团。
CPM算法有哪些主要限制？
CPM的主要限制包括：超参k需人工设置（通常4-6），结果依赖该值；主要适用于联通子图较多的场景；复杂度较高，支持节点数量有限；不能加入边权信息。
SLPA标签传播算法在重叠社区检测中是如何工作的？
SLPA初始化每个节点有唯一标签，迭代T次：随机选节点，汇总邻居标签，选频率最高的作为当前标签，并存储每轮结果。成团时，每个节点保留占比超过阈值x的标签，同一标签的节点属于同一社团。
LEMON算法适用于什么场景？
LEMON是种子扩张类算法的代表，适用于已知部分节点和所属社区，需要扩充同社区其他节点的场景，常用于扩召回。
