### 主题：基于图神经网络的属性社区搜索研究

#### 一、 核心概念界定

1. **社区（Community）**：指图中具有**密集内部连接**而对外**连接松散**的子图结构。
2. **社区搜索（CS, Community Search）**：
   - **定义**：给定一个或多个查询顶点，目标是找到包含这些顶点的、符合上述社区定义的顶点集。
   - **特点**：查询依赖（结果随查询顶点变化）。
3. **属性社区搜索（ACS, Attributed Community Search）**：
   - **定义**：CS的延伸问题。不仅要求社区结构内聚，还要求社区成员在属性上与查询顶点或查询条件**具有同质性（共享相似属性）**。

------

#### 二、 现有研究面临的两大核心问题

文章指出当前ACS研究存在两个严重问题：**结构可扩展性差**和**属性不相关性**。

1. **结构可扩展性问题（对预定义模式的依赖）**
   - **现象**：传统搜索模型严重依赖预定义的子图模式（如k-core、k-truss、k-clique、k-edge-component等）。
   - **弊端**：这些模式对社区的拓扑结构要求过于严格（硬性约束），导致模型难以适应复杂多变的图结构。
2. **属性处理的问题（结构与属性的割裂）**
   - **现象（两阶段策略）**：现有研究通常采用“先结构后属性”的两阶段策略。即先基于拓扑找到候选社区，再根据属性相似性进行过滤。
   - **弊端**：这种策略将结构和属性分开处理，忽略了二者的关联性，容易在结构筛选阶段遗漏那些结构稍弱但属性高度相关的社区。

------

#### 三、 现有代表性模型的局限性

文章以**ICS-GNN**为例，指出了当前GNN方法在交互式属性社区搜索中的不足：

1. **ICS-GNN 的优势**：利用图中节点的属性信息，增强了非属性查询的效果。
2. **ICS-GNN 的局限性**：
   - **计算效率低**：对于每一个新的查询，都需要**重新训练整个模型**，难以支持实时交互。
   - **不支持属性查询**：其模型架构只能接受顶点作为输入，**不能接受查询属性作为输入**，因此无法直接用于属性社区搜索（ACS）。

------

#### 四、 本文提出的解决方案

为了解决上述问题，作者设计了一套渐进的、支持属性的GNN查询框架。

1. **基础模型：QD-GNN（查询驱动图神经网络）**
   - **目标**：解决传统CS模型对预定义结构的依赖（解决“结构可扩展性”问题）。
   - **架构**：设计了一个**两分支模型**。
     - **查询编码器**：对查询顶点的结构信息进行编码，专注于建模查询点周围的**局部拓扑**。
     - **图编码器**：结合图的全局结构和属性，学习**查询无关的节点嵌入**（即预先算好所有节点的特征，不因查询改变而改变）。
2. **扩展支持属性的模型：AQD-GNN**
   - **目标**：将QD-GNN扩展到支持属性社区搜索（ACS）。
   - **关键技术**：
     - **属性二部图**：引入节点-属性二部图来建模节点与属性之间的关系。
     - **查询机制**：通过该二部图，模型能够同时从**查询顶点的局部结构**和**相似属性**中学习社区信息。
3. **对比总结**
   - **ICS-GNN vs. AQD-GNN**：
     - ICS-GNN不支持属性查询（查询只含顶点），且每个查询需重训。
     - AQD-GNN（即本文模型）旨在支持**交互式属性社区搜索**，其目标正是发现同时满足“包含查询顶点”且“具有与查询属性相近属性”的社区（即ACQ/ACT问题）



基于神经网络的路径规划算法