摘要
网络社区检测是网络分析领域的研究热点。尽管已有大量社区检测方法被提出，但大多数方法仅关注网络在节点与边层面的低阶结构，难以捕捉小而密集的子图模式（如网络基序，motifs）所体现的高阶特征。近年来，一些高阶方法被相继提出，但它们通常基于一种假设：以基序为基础构建的超图（hypergraph）是连通的。然而，在某些真实网络中，这一假设难以成立，超图可能出现严重碎片化现象——即尽管原始网络是连通的，其对应的超图却可能由大量连通分量和孤立节点组成。这种碎片化问题导致现有高阶方法面临严峻挑战：在这些方法中，即使属于同一社区的节点在超图中无连接，也无法被有效聚类。为解决上述碎片化问题，本文提出一种面向基序感知的社区检测的边增强方法（Edge enhancement for Motif-aware community detection, EdMot）。其核心思想如下：首先，基于基序构建超图，并将超图中规模最大的K个连通分量划分为若干模块；随后，通过构建边集增强每个模块内部的连通性，使其形成完全子图（clique）；基于新构建的边集，对原始网络的连通结构进行重构，生成一个重布线后的网络。该过程充分挖掘了基于基序的高阶结构信息，同时有效缓解了超图碎片化带来的负面影响。最终，对重布线后的网络进行划分，从而获得融合高阶结构信息的社区划分结果。