【KDD2020】复杂异构网络中的高阶聚类

在现实世界中，异构网络似乎无处不在。然而，大多数图挖掘方法，如聚类，主要关注同构图，而忽略了现实系统中的语义信息。此外，大多数方法都是基于一阶连通性模式(边)的，尽管高阶连通性模式对于理解这种网络的结构和组织非常重要。在这项工作中，我们提出了一个异质网络高阶谱聚类的框架。该方法构建的集群可以保持由类型化图构建的高阶结构的连通性。该方法是对以往高阶谱聚类研究工作的总结。我们从理论上证明了一些重要的结果，它显示了该方法的接近最优边界。理论结果大大简化了以往的工作，同时为分析高阶谱方法提供了统一的理论框架。经验上，我们证明了该框架的有效性，定量为三个重要的应用，包括聚类，压缩，和链接预测。