摘要
近年来，非负矩阵分解（Nonnegative Matrix Factorization, NMF）因其具有更强的可解释性，被广泛应用于社区发现任务中。然而，现有的基于NMF的方法存在以下三个关键问题：其一，这些方法直接将原始网络映射到社区隶属空间，难以有效捕捉网络的层次化结构信息；其二，它们通常仅关注网络的拓扑结构，忽视了节点属性所蕴含的重要信息；其三，难以学习到对社区发现至关重要的全局结构特征。针对上述挑战，本文提出一种新型社区发现算法——对比深度非负矩阵分解（Contrastive Deep Nonnegative Matrix Factorization, CDNMF）。首先，我们通过深化NMF模型，增强了其信息提取能力；其次，受对比学习（contrastive learning）的启发，算法创新性地将网络拓扑结构与节点属性构建为两个互为对比的视图，从而实现多视角信息融合；此外，我们引入去偏的负采样层，并在社区层面学习节点相似性，进一步提升了模型在社区发现任务中的适应性与性能。我们在三个公开的真实图数据集上进行了实验，结果表明，所提出的CDNMF模型在各项评估指标上均优于当前最先进的方法。相关代码已开源，地址为：https://github.com/6lyc/CDNMF.git。