이 논문은 레이블이 없는 상황에서도 효율적이고 정확한 커뮤니티 검색을 수행할 수 있는 새로운 프레임워크인 TransZero를 제안한다. TransZero는 오프라인 사전 학습 단계와 온라인 검색 단계로 구성된다.
오프라인 사전 학습 단계에서는 커뮤니티 검색을 위한 그래프 변환기인 CSGphormer를 설계하고, 레이블이 없는 상황에서도 학습할 수 있도록 개인화 손실 함수와 링크 손실 함수를 도입한다.
온라인 검색 단계에서는 사전 학습된 CSGphormer를 활용하여 커뮤니티 점수를 계산하고, 기대 점수 증가 함수를 정의하여 레이블 없이도 효과적으로 커뮤니티를 식별할 수 있는 두 가지 휴리스틱 알고리즘을 제안한다.
실험 결과, TransZero는 10개의 공개 데이터셋에서 정확도와 효율성 측면에서 우수한 성능을 보였다. 특히 레이블을 사용하지 않는 상황에서도 기존 학습 기반 모델들을 능가하는 성과를 달성했다.
Sang ngôn ngữ khác
từ nội dung nguồn
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Jianwei Wang... lúc arxiv.org 03-29-2024
https://arxiv.org/pdf/2403.18869.pdfYêu cầu sâu hơn