趙中英+李超

摘 要：社會化媒體大數(shù)據(jù)環(huán)境下的社區(qū)發(fā)現(xiàn)研究，是社會網(wǎng)絡(luò)分析與挖掘領(lǐng)域的一個熱門研究方向，已有眾多學(xué)者提出各種研究方法，但對當(dāng)前研究工作的進(jìn)展分析相對較少。首先從局部、全局、節(jié)點相似度3個角度討論社區(qū)的定義，然后針對網(wǎng)絡(luò)的大規(guī)模、動態(tài)、異構(gòu)3個特性，分別調(diào)研與梳理國內(nèi)外相關(guān)文獻(xiàn)，并從采取的主要技術(shù)、數(shù)據(jù)建模方法、可處理的網(wǎng)絡(luò)規(guī)模、網(wǎng)絡(luò)時序特征4個方面比較與總結(jié)其中的代表性方法，分析當(dāng)前的學(xué)術(shù)思路與發(fā)展動態(tài)，最后指出該研究領(lǐng)域存在的挑戰(zhàn)及未來可能的研究方向。

關(guān)鍵詞：大數(shù)據(jù)；社區(qū)發(fā)現(xiàn)；復(fù)雜社會網(wǎng)絡(luò)

DOIDOI：10.11907/rjdk.162505

中圖分類號：TP301

文獻(xiàn)標(biāo)識碼：A文章編號：1672-7800（2016）012-0164-04

0 引言

社區(qū)發(fā)現(xiàn)旨在探測復(fù)雜社會網(wǎng)絡(luò)中具有共性特征或緊密關(guān)系的群體。該研究能幫助人們從介觀（Mesoscopic）的視角分析網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，理解網(wǎng)絡(luò)功能，揭示網(wǎng)絡(luò)中的隱含模式，以及分析預(yù)測網(wǎng)絡(luò)行為。同時，還可以應(yīng)用在智能推薦、精準(zhǔn)營銷、個性化服務(wù)等諸多領(lǐng)域。因此，社區(qū)發(fā)現(xiàn)研究具有重要的理論意義和較高的應(yīng)用價值。社區(qū)發(fā)現(xiàn)的重要性，吸引了國內(nèi)外學(xué)者的廣泛關(guān)注。斯坦福大學(xué)、康奈爾大學(xué)、卡內(nèi)基梅隆大學(xué)、亞利桑那州立大學(xué)、清華大學(xué)、中科院等國內(nèi)外許多大學(xué)和研究機(jī)構(gòu)都圍繞此課題開展了深入研究，取得了一系列重要的研究成果。當(dāng)前，對社區(qū)發(fā)現(xiàn)研究的分析與綜述工作較少，不利于把握整體脈絡(luò)及發(fā)展趨勢。

本文對大數(shù)據(jù)環(huán)境下復(fù)雜社會網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法進(jìn)行綜述。首先從三個層面討論社區(qū)定義，然后針對網(wǎng)絡(luò)的大規(guī)模、動態(tài)、異構(gòu)3個特性，闡述與比較已有的社區(qū)發(fā)現(xiàn)方法，分析現(xiàn)有工作的學(xué)術(shù)思路與發(fā)展動態(tài)，最后指出存在的挑戰(zhàn)及可能的發(fā)展方向。

1 社區(qū)定義

社區(qū)本身只是一個定性的概念，自提出之日起，關(guān)于社區(qū)的定量定義就引起了來自不同領(lǐng)域?qū)W者們的爭議與廣泛討論，直至目前，仍然沒有一個被廣為接受的定量定義。直觀上講，社區(qū)通常被認(rèn)為是復(fù)雜網(wǎng)絡(luò)中的一些節(jié)點組（團(tuán)），同一組內(nèi)的節(jié)點之間連接相對緊密，組與組之間連邊相對稀疏。

當(dāng)前對社區(qū)的定義，可以分為3類：基于局部的社區(qū)定義、基于全局的社區(qū)定義與基于結(jié)構(gòu)相似度的社區(qū)定義[1]：①基于局部的社區(qū)定義，只考慮社區(qū)內(nèi)部節(jié)點及社區(qū)內(nèi)部節(jié)點與外部節(jié)點間的聯(lián)系，而不考慮社區(qū)外部節(jié)點之間的聯(lián)系信息。局部社區(qū)定義一般會給出一種社區(qū)應(yīng)滿足的條件或約束，據(jù)此找出網(wǎng)絡(luò)中能夠滿足該條件的極大子網(wǎng)絡(luò)，這些子網(wǎng)絡(luò)則被稱為社區(qū)。例如：Palla等[2]提出k-clique（大小為k的clique）社區(qū)定義，通過k-clique的滾動得到最終的社區(qū)；②基于全局的社區(qū)定義，則從網(wǎng)絡(luò)整體出發(fā)，通過網(wǎng)絡(luò)中的某個性質(zhì)間接給出社區(qū)定義。全局定義方式中最有代表性的社區(qū)定義是基于模塊度的定義（modularity）[3]?；谀K度的社區(qū)定義，以隨機(jī)網(wǎng)絡(luò)（代表性的有E-R網(wǎng)絡(luò)）為參照，依據(jù)當(dāng)前網(wǎng)絡(luò)與參照網(wǎng)絡(luò)的偏差來定義社區(qū)。即在保證兩種網(wǎng)絡(luò)節(jié)點度分布相同的情況下，隨機(jī)放置節(jié)點間的邊，若某一個子網(wǎng)絡(luò)內(nèi)部的連邊數(shù)高于其在參照網(wǎng)絡(luò)中的期望連邊數(shù)，則認(rèn)為該子網(wǎng)絡(luò)為一個社區(qū)?；谀K度的社區(qū)定義，是當(dāng)前廣為接受的一種社區(qū)定義方法；③基于節(jié)點相似度的社區(qū)定義，以同一社區(qū)內(nèi)的節(jié)點相似度較高為指導(dǎo)思想，其基本框架為：首先根據(jù)網(wǎng)絡(luò)拓?fù)湫畔⒂嬎闳我鈨蓪?jié)點間的相似度；然后根據(jù)節(jié)點間的相似度采用層次聚類的方式把節(jié)點分成各個組，每個節(jié)點歸屬于與其最相似的組；最終，每個組被視為一個社區(qū)[4]。

2 復(fù)雜社會網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)研究進(jìn)展

在社區(qū)發(fā)現(xiàn)方面，研究者們提出了許多網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法。根據(jù)其采取的基本求解策略不同，可以劃分為兩類[5]：基于優(yōu)化的方法（Optimization Based Method）和啟發(fā)式方法（Heuristic Method）。前者將社區(qū)發(fā)現(xiàn)問題轉(zhuǎn)化為優(yōu)化問題，通過最優(yōu)化預(yù)定義的目標(biāo)函數(shù)計算網(wǎng)絡(luò)的簇結(jié)構(gòu)。例如，譜方法（Spectral Method）[6]將網(wǎng)絡(luò)聚類問題轉(zhuǎn)化為二次型優(yōu)化問題，通過計算矩陣的特征向量來優(yōu)化預(yù)定義的“cut”函數(shù)，文獻(xiàn)[7]中也描述了類似工作；啟發(fā)式方法則是將網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)問題轉(zhuǎn)化為預(yù)定義啟發(fā)式規(guī)則的設(shè)計問題，已經(jīng)成功地應(yīng)用在各種社會網(wǎng)絡(luò)或交互網(wǎng)絡(luò)中，如Email網(wǎng)、人類社交網(wǎng)、科學(xué)家協(xié)作網(wǎng)等。然而，這些算法都具有較大的計算開銷，只能應(yīng)用在規(guī)模為數(shù)萬節(jié)點以下的中小規(guī)模網(wǎng)絡(luò)中。

隨著互聯(lián)網(wǎng)的發(fā)展及社交媒體的盛行，社會網(wǎng)絡(luò)的規(guī)模不斷增大，人們開始探索大規(guī)模圖的快速社區(qū)發(fā)現(xiàn)算法。Wakita等[8]給出3種不同的社區(qū)規(guī)模度量指標(biāo)，通過控制社區(qū)的平衡增長方式，提出了一種改進(jìn)的CNM算法；Raghavan等[9]提出一種基于標(biāo)簽傳播（Label Propagation）的局部社區(qū)發(fā)現(xiàn)方法，該方法能夠?qū)⒂嬎氵^程并行化，其時間復(fù)雜度近乎線性，因而能夠適用于大規(guī)模的網(wǎng)絡(luò)分析；Ghosh等[10]以“影響力”（任意兩個節(jié)點之間的路徑長度）作為度量，給出一種新的基于全局影響力的社區(qū)發(fā)現(xiàn)算法；Koutsourelakis等[11]考慮到社區(qū)的重疊性現(xiàn)象，提出了基于概率混合模型的社區(qū)發(fā)現(xiàn)算法；Rohe等[12]基于隨機(jī)分塊模型，給出了面向大規(guī)模社會網(wǎng)絡(luò)的譜聚類方法；Tang等[13-14]將大規(guī)模網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)問題轉(zhuǎn)化為社區(qū)核檢測問題，提出了“Greedy”和“We BA”算法。

動態(tài)性是社會網(wǎng)絡(luò)最本質(zhì)的特點之一，研究社區(qū)的動態(tài)性可以幫助人們發(fā)現(xiàn)社區(qū)隨時間變化的情況，并分析導(dǎo)致變化的機(jī)制和原因。Backstrom等[15]通過研究LiveJournal和DBLP數(shù)據(jù)集，發(fā)現(xiàn)實體是否加入社區(qū)，社區(qū)增長或收縮都取決于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；Palla等[16]第一次系統(tǒng)地對動態(tài)社區(qū)進(jìn)行了研究，采用（CPM）方法對每個時間片的網(wǎng)絡(luò)快照抽取社區(qū)結(jié)構(gòu)，然后匹配連續(xù)時間片的社區(qū)結(jié)構(gòu)，給出6種社區(qū)的動態(tài)演化形態(tài)；Tantipathananandh等[17-18]基于圖染色理論，將動態(tài)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)問題轉(zhuǎn)化成顏色匹配問題，給出了社區(qū)的動態(tài)發(fā)現(xiàn)算法；Lin等[19]提出FacetNet框架，該框架的特點是在統(tǒng)一過程中發(fā)現(xiàn)社區(qū)及其變化過程。該算法解決了多數(shù)算法中不能同時發(fā)現(xiàn)社區(qū)及其變化過程的問題，同時也解決了在同一時刻某一節(jié)點只能屬于一個社區(qū)的問題。但該方法過于依賴社區(qū)的數(shù)量m，而m取值范圍的確定需要由相關(guān)專業(yè)領(lǐng)域內(nèi)的知識決定；Chi等[20]利用平滑時序，給出了譜聚類方法的演化版本；Takaffoli等[21]提出通過增量分析來識別動態(tài)網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)。但該方法的局限性在于假定社區(qū)數(shù)目是固定的，即新增的節(jié)點或邊只能在固定的K個社區(qū)中進(jìn)行選擇，從而導(dǎo)致社區(qū)結(jié)構(gòu)的變化只可能是增大、縮小，而不能體現(xiàn)社區(qū)的分裂、合并、誕生及消亡等過程。

在真實世界的社交網(wǎng)絡(luò)中，往往涉及多種實體（角色），并且實體間的關(guān)系具有多樣性。Lei Tang等[22]提出了在動態(tài)異構(gòu)網(wǎng)絡(luò)中發(fā)現(xiàn)社區(qū)的方法，該方法在譜聚類框架基礎(chǔ)上提出了一個整體模型，該模型能在動態(tài)異構(gòu)網(wǎng)絡(luò)中辨別社區(qū)的變化。針對異構(gòu)網(wǎng)絡(luò)復(fù)雜的交互關(guān)系，Tang等[23]給出了4種同構(gòu)社區(qū)的集成策略，提出基于異構(gòu)關(guān)系分析的社區(qū)發(fā)現(xiàn)方法；Shen等[24]將異構(gòu)網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn)問題轉(zhuǎn)化為基于主成分分析（PCA）的降維問題，提出了基于拉普拉斯矩陣及模塊度矩陣分解方法；Anandkumar等[25]提出一種基于張量分解的異構(gòu)社區(qū)發(fā)現(xiàn)方法；Lin等[26]提出一種基于關(guān)系超圖分解的異構(gòu)社區(qū)發(fā)現(xiàn)方法。近幾年，有學(xué)者開始融合網(wǎng)絡(luò)的動態(tài)性和異構(gòu)性，嘗試發(fā)現(xiàn)動態(tài)異構(gòu)網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)；Lin等[27]提出一個基于Metagraph分解的動態(tài)社區(qū)發(fā)現(xiàn)及演化分析方法；Sun等[28-29]利用狄利克雷過程對隱含社區(qū)數(shù)目的分布進(jìn)行先驗估計，結(jié)合平滑性假設(shè)，提出一種過程混合模型的生成模型來模擬社區(qū)生成，利用該模型可以在每個時間點自動發(fā)現(xiàn)能較好解釋當(dāng)前網(wǎng)絡(luò)和歷史網(wǎng)絡(luò)特征的社區(qū)數(shù)目和結(jié)構(gòu)，并設(shè)計了一個基于吉布斯采樣的方法進(jìn)行模型學(xué)習(xí)和推斷。

3 社區(qū)發(fā)現(xiàn)方法總結(jié)比較與發(fā)展動態(tài)分析

以下將從采用的主要技術(shù)、數(shù)據(jù)建模方法、可處理的網(wǎng)絡(luò)規(guī)模、網(wǎng)絡(luò)時序特征4個方面對代表性方法進(jìn)行總結(jié)與比較，如表1所示。

根據(jù)表1及對已有工作的論述，可以看出國內(nèi)外學(xué)者在社區(qū)結(jié)構(gòu)研究方面的學(xué)術(shù)思路及發(fā)展動態(tài)：①從社會網(wǎng)絡(luò)的規(guī)?？?，在社區(qū)結(jié)構(gòu)研究的初級階段，相關(guān)研究工作都是面向中小規(guī)模的社會網(wǎng)絡(luò)開展的。隨著信息技術(shù)的發(fā)展，網(wǎng)絡(luò)規(guī)模越來越大，節(jié)點數(shù)量從數(shù)萬迅速增長到百萬規(guī)模、十億規(guī)模，人們開始研究社區(qū)發(fā)現(xiàn)算法的可擴(kuò)展性、并行性，或者直接從算法本身考慮，設(shè)計適用于大規(guī)模網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)算法；②從社會網(wǎng)絡(luò)的建模看，最初的社區(qū)發(fā)現(xiàn)算法都是以簡單圖建模為基礎(chǔ)，即將社會網(wǎng)絡(luò)形式化表示為一個只包含節(jié)點和邊的圖。隨著相關(guān)研究的日益成熟，人們開始考慮網(wǎng)絡(luò)中的其它信息，例如，節(jié)點與邊的異構(gòu)性、節(jié)點屬性、網(wǎng)絡(luò)中蘊(yùn)含的交互內(nèi)容和主題等，提出了異構(gòu)網(wǎng)絡(luò)和異構(gòu)社區(qū)概念，這也是人類認(rèn)知和思維方式發(fā)展的必然過程；③從社會網(wǎng)絡(luò)的時序特征看，在起步階段，社區(qū)結(jié)構(gòu)的研究對象都是一個網(wǎng)絡(luò)快照，即只考慮了網(wǎng)絡(luò)的靜態(tài)性，而忽略了網(wǎng)絡(luò)的時序變化性。隨著靜態(tài)網(wǎng)絡(luò)的相關(guān)研究方法和技術(shù)日趨成熟，人們開始探索動態(tài)網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法及動態(tài)演化規(guī)律。

4 存在的挑戰(zhàn)

從已有工作及其趨勢分析可以看出，針對大規(guī)模、動態(tài)、異構(gòu)的社會網(wǎng)絡(luò)，研究準(zhǔn)確、高效、可擴(kuò)展性好的社區(qū)發(fā)現(xiàn)方法，是一個必然趨勢，具有更好的應(yīng)用和發(fā)展前景。雖然人們在這一方向已經(jīng)取得了一些成果，但是仍然存在很多具有挑戰(zhàn)性的問題，主要體現(xiàn)在：

（1）動態(tài)網(wǎng)絡(luò)的時間片自動切分問題。在動態(tài)演化的社會網(wǎng)絡(luò)中，能否對網(wǎng)絡(luò)進(jìn)行合理切分，將直接影響到社區(qū)發(fā)現(xiàn)的質(zhì)量及方法的有效性評價。因此，基于自適應(yīng)機(jī)器學(xué)習(xí)技術(shù)研究動態(tài)網(wǎng)絡(luò)的時間片自動切分方法，是關(guān)鍵挑戰(zhàn)之一，也是將來的一個研究方向。

（2）動態(tài)異構(gòu)網(wǎng)絡(luò)的信息集成問題。在動態(tài)演進(jìn)的社會網(wǎng)絡(luò)中，往往涉及到諸多種類的實體（用戶或角色），而且實體間的關(guān)系也具有多樣性，并且隨著時間的推移不斷變化。在動態(tài)異構(gòu)網(wǎng)絡(luò)中，如何對實體多樣性、關(guān)系多樣性、行為多樣性以及網(wǎng)絡(luò)的動態(tài)演進(jìn)性等進(jìn)行合理集成，將是關(guān)鍵挑戰(zhàn)之一，也是未來的重要研究課題。

（3）動態(tài)異構(gòu)社區(qū)發(fā)現(xiàn)模型的設(shè)計問題。在動態(tài)異構(gòu)網(wǎng)絡(luò)中，基于實體多樣性、關(guān)系多樣性、行為多樣性以及網(wǎng)絡(luò)的動態(tài)演進(jìn)性等的合理集成，如何進(jìn)行異構(gòu)社區(qū)發(fā)現(xiàn)模型設(shè)計，如何控制模型的復(fù)雜度，如何保證方法的可擴(kuò)展性等，使發(fā)現(xiàn)的異構(gòu)社區(qū)更能夠反映真實世界的群體特征，將是未來研究中非常有意義且充滿挑戰(zhàn)性的研究課題。

5 結(jié)語

作為大數(shù)據(jù)環(huán)境下復(fù)雜社會網(wǎng)絡(luò)分析的一個熱點問題，社區(qū)發(fā)現(xiàn)正吸引著國內(nèi)外眾多專家學(xué)者的關(guān)注。筆者以復(fù)雜社會網(wǎng)絡(luò)的大規(guī)模、動態(tài)、異構(gòu)3個特征為視角，對當(dāng)前的研究工作進(jìn)行了總結(jié)與分析，指出對大規(guī)模動態(tài)異構(gòu)網(wǎng)絡(luò)進(jìn)行社區(qū)發(fā)現(xiàn)是一個必然趨勢，但也存在著諸多困難。如何對動態(tài)網(wǎng)絡(luò)進(jìn)行時間片自動切分、如何對動態(tài)異構(gòu)網(wǎng)絡(luò)進(jìn)行有機(jī)集成、如何設(shè)計動態(tài)異構(gòu)社區(qū)的發(fā)現(xiàn)模型等都是未來研究中可能出現(xiàn)的挑戰(zhàn)性問題。

參考文獻(xiàn)：

[1] FORTUNATO S.Community detection in graphs[J]. Physics reports， 2010，486（3）：75-174.

[2] PALLA G， DERNYI I， FARKAS I， et al. Uncovering the overlapping community structure of complex networks in nature and society[J]. Nature， 2005， 435（7043）： 814-818.

[3] NEWMAN M E J， GIRVAN M. Finding and evaluating community structure in networks[J]. Physical Review E， 2004， 69（2）： 026113.

[4] FAN Y， LI M， ZHANG P， et al. Accuracy and precision of methods for community identification in weighted networks[J]. Physics， 2006， 377（1）：363-372.

[5] 楊博， 劉大有， 金弟，等. 復(fù)雜網(wǎng)絡(luò)聚類方法[J].軟件學(xué)報， 2009， 20（1）： 54-66.

[6] WHITE S， SMYTH P. A spectral clustering approach to finding communities in graph[C]. Proceedings of the 5th SIAM International Conference on Data Mining，2005（5）：76-84.

[7] RAVASZ E， SOMERA A L， MONGRU D A， et al. Hierarchical organization of modularity in metabolic networks[J]. Science， 2002， 297（5586）： 1551-1555.

[8] WAKITA K， TSURUMI T. Finding community structure in mega-scale social networks[C]. Proceedings of the 16th International Conference on World Wide Web， 2007： 1275-1276.

[9] RAGHAVAN U， ALBERT R， KUMARA S. Near linear time algorithm to detect community structures in large-scale networks[J]. Physical review E， 2007， 76（3）： 036106.

[10] GHOSH R， LERMAN K. Community detection using a measure of global influence[M]. Advances in Social Network Mining and Analysis. Springer Berlin Heidelberg， 2010： 20-35.

[11] KOUTSOURELAKIS P， ELIASSIRAD T. Finding mixed-memberships in social networks[C]. AAAI Spring Symposium： Social Information Processing， 2008： 48-53.

[12] ROHE K， CHATTERJEE S， YU B. Spectral clustering and the high-dimensional stochastic blockmodel[J]. The Annals of Statistics， 2011： 1878-1915.

[13] WANG L， LOU T， TANG J， et al. Detecting community kernels in large social networks[C]. Proceedings of the IEEE 11th International Conference on Data mining， 2011： 784-793.

[14] TANG J， SUN J， WANG C， et al. Social influence analysis in large-scale networks[C]. Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， 2009： 807-816.

[15] BACKSTROM L， HUTTENLOCHER D， KLEINBERG J， et al. Group formation in large social networks： membership， growth， and evolution[C]. Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， 2006： 44-54.

[16] PALLA G， BARABSI A， VICSEK T. Quantifying social group evolution[J]. Nature， 2007（446）： 664-667.

[17] TANTIPATHANANANDH C， BERGER-WOLF T， KEMPE D. A framework for community identification in dynamic social networks[C]. Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2007： 717-726.

[18] TANTIPATHANANANDH C， BERGER-WOLF T. Constant-factor approximation algorithms for identifying dynamic communities[C]. Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2009： 827-836.

[19] LIN Y R， CHI Y， ZHU S， et al. Analyzing communities and their evolutions in dynamic social networks[J]. ACM Transactions on Knowledge Discovery from Data， 2009， 3（2）： 1-31.

[20] CHI Y，SONG X，ZHOU D，et al.Evolutionary spectral clustering by incorporating temporal smoothness[C]. Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， 2007： 153-162.

[21] TAKAFFOLI M， RABBANY R， ZAANE O R. Incremental local community identification in dynamic social networks[C]. Proceedings of the 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining. ACM， 2013： 90-94.

[22] TANG L， LIU H， ZHANG J， et al. Community evolution in dynamic multi-mode networks[C]. Proceeding of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， 2008， 677-685.

[23] TANG L， WANG X， LIU H. Community detection via heterogeneous interaction analysis[J]. Data Mining and Knowledge Discovery， 2012， 25（1）： 1-33.

[24] SHEN H， CHENG X， WANG Y， et al. A dimensionality reduction framework for detection of multiscale structure in heterogeneous networks[J]. Journal of Computer Science and Technology， 2012（2）： 341-357.

[25] ANANDKUMAR A， GE R， HSU D， et al. A tensor approach to learning mixed membership community models[J]. Journal of Machine Learning Research， 2014， 15（1）： 2239-2312.

[26] LIN Y R， SUN J， CASTRO P， et al. MetaFac： community discovery via relational hypergraph factorization[C]. Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， 2009：527-536.

[27] LIN Y， SUN J， SUNDARAM H， et al. Community discovery via metagraph factorization[J]. ACM Transactions on Knowledge Discovery from Data， 2011， 5（3）：1284-1310.

[28] SUN Y， TANG J， HAN J， et al. Community evolution detection in dynamic heterogeneous information networks[C]. The 8th Workshop on Mining and Learning with Graphs， 2010：137-146.

[29] SUN Y， TANG J， HAN J， et al. Co-evolution of multi-typed objects in dynamic star networks[J]. IEEE Transactions on Knowledge & Data Engineering， 2014， 26（12）： 2942-2955.

（責(zé)任編輯：黃 ?。?