Die Community-Erkennung bezieht sich auf die Aufgabe, Gruppen von Knoten zu entdecken, die ähnliche Eigenschaften oder Funktionen teilen, um Netzwerkdaten zu verstehen. Mit der jüngsten Entwicklung des Deep Learnings werden auch Techniken des Graphenrepräsentationslernens für die Community-Erkennung eingesetzt. Allerdings können Communities nur durch Anwendung von Clusteralgorithmen auf gelernten Knoteneinbettungen inferiert werden. Diese allgemeinen Clusteralgorithmen wie K-means und Gaußsches Mischmodell (Gaussian Mixture Model) können jedoch nicht viele überlappende Communities erzeugen, die in vielen realen Netzwerken sehr häufig sind. In dieser Arbeit schlagen wir CommunityGAN vor, einen neuen Framework zur Community-Erkennung, der gleichzeitig überlappende Community-Erkennung und Graphenrepräsentationslernen löst. Erstens unterscheidet sich die Einbettung von CommunityGAN von den Einbettungen herkömmlicher Graphenrepräsentationslernalgorithmen, bei denen die Vektoreinträge keine spezifische Bedeutung haben; bei CommunityGAN zeigt die Einbettung die Stärke der Zugehörigkeit der Knoten zu Communities an. Zweitens wird ein speziell entwickeltes Generatives adversariales Netz (Generative Adversarial Net, GAN) verwendet, um diese Einbettung zu optimieren. Durch das Minimax-Wettbewerb zwischen dem Motiv-Level-Generator und dem Diskriminator können beide ihre Leistung alternierend und iterativ verbessern und letztlich eine bessere Community-Struktur erzeugen. Ausführliche Experimente mit synthetischen Daten und realweltlichen Aufgaben zeigen, dass CommunityGAN erhebliche Leistungsverbesserungen in der Community-Erkennung gegenüber den aktuellen Methoden erreicht.