ProCom: алгоритм целенаправленного обнаружения сообществ в условиях few-shot

Целенаправленное обнаружение сообществ нацелено на выделение определённого типа сообществ в сети. Это важная задача с многочисленными практическими приложениями, например выявление групп мошенников в сетях транзакций. Традиционные методы обнаружения сообществ не способны захватить специфические признаки целевого сообщества и обнаруживают все типы сообществ без различия. Полунаблюдаемые алгоритмы обнаружения сообществ, появившиеся как возможная альтернатива, по сути ограничены низкой адаптивностью и сильной зависимостью от большого объёма размеченных данных, что требует обширных предметных знаний и ручной работы. В этой статье мы устраняем указанные недостатки в целенаправленном обнаружении сообществ, сосредоточившись на сценариях few-shot. Мы предлагаем ProCom — новую структуру, расширяющую парадигму «pre-train, prompt», обеспечивающую решение с низкими затратами ресурсов, высокой эффективностью и переносимостью. В рамках данной структуры мы разрабатываем двухуровневый контекстно-осознанный метод предобучения, который способствует глубокому пониманию латентных сообществ в сети и создаёт богатую базу знаний для последующих задач. На этапе обучения с подсказками мы переформулируем задачу целенаправленного обнаружения сообществ в терминах задач предобучения, что позволяет извлекать специфические знания, релевантные целевому сообществу, и облегчает эффективное и результативное выведение. Используя как общие знания о сообществах, приобретённые на этапе предобучения, так и специфические инсайты, полученные из подсказочных сообществ, ProCom демонстрирует выдающуюся адаптивность на разных наборах данных. Мы проводим обширные эксперименты на пяти бенчмарках для оценки фреймворка ProCom, показывая его передовые показатели в условиях few-shot, высокую эффективность и переносимость между различными наборами данных.