使用法学硕士符号化结构化流程进行可解释的无监督社区检测

arXiv:2608.06402v1 公告类型：新 摘要：社区检测是图分析中的一项基本任务，旨在识别具有相似行为或兴趣的有凝聚力的实体组。经典的目标驱动方法与复杂的图形结构作斗争，而深度学习方法以牺牲可解释性为代价来提高性能，并且依赖于标记数据和训练。大型语言模型（LLM）具有强大的推理能力和世界知识，有望用于可解释、无标签的社区检测。为了利用这些优势，我们提出了 LUCID，一种由法学硕士指导、可解释、免训练且无监督的社区检测方法。受自然系统中相变动力学的启发，复杂的结构通过初始化、合并、细化和选择而出现，LUCID 被设计为四级管道。在此管道中，法学硕士引入了将隐性知识转化为显性且可解释的逻辑结构的正式规则。具体来说，（1）本地视图社区初始化阶段使用k-ego上下文和无监督节点角色对本地图结构进行编码； （2）多因素社区合并阶段使用LLM引发的规则迭代合并本地社区； (3)多粒度社区细化阶段并行应用LLM诱导的从粗到细的规则以减少边界噪声； (4)全局视野社区选择阶段，根据拓扑紧凑性和边界清晰性，识别优质社区。对现实世界数据集的大量实验表明，LUCID 作为一种无监督方法，实现了最先进的性能，并且始终优于领先的无监督和半监督基线。