多视图注意力融合的引文网络学术群体识别

doi:10.11772/j.issn.1001-9081.2025070851

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2494-2504.DOI: 10.11772/j.issn.1001-9081.2025070851

多视图注意力融合的引文网络学术群体识别

邱原¹, 彭海龙¹, 费蓉¹^,²(), 徐庆征³, 李仟禧¹, 薛诚¹

^1.西安理工大学计算机科学与工程学院，西安 710048
^2.陕西省网络计算与安全技术重点实验室（西安理工大学），西安 710048
^3.信息支援部队工程大学，武汉 430034

收稿日期:2025-07-29 修回日期:2025-11-04 接受日期:2025-11-06 发布日期:2025-12-22 出版日期:2026-08-10
通讯作者: 费蓉
作者简介:邱原（1983—），男，陕西汉中人，讲师，博士，CCF会员，主要研究方向：人工智能、数据挖掘
彭海龙（2000—），男，陕西宝鸡人，硕士研究生，主要研究方向：社区检测
费蓉（1980—），女，陕西西安人，教授，博士，CCF会员，主要研究方向：深度强化学习、社区检测
徐庆征（1980—），男，陕西西安人，副研究员，博士，主要研究方向：进化计算
李仟禧（2000—），女，陕西咸阳人，博士研究生，主要研究方向：深度强化学习
薛诚（2002—），女，陕西咸阳人，硕士研究生，主要研究方向：医学影像。
基金资助:
国家自然科学基金资助项目(62120106011)

Multi-view attention fusion for academic community identification in citation networks

Yuan QIU¹, Hailong PENG¹, Rong FEI¹^,²(), Qingzheng XU³, Qianxi LI¹, Cheng XUE¹

^1.School of Computer Science and Engineering，Xi’an University of Technology，Xi’an Shaanxi 710048，China
^2.Shaanxi Key Laboratory for Network Computing and Security Technology （Xi’an University of Technology），Xi’an Shaanxi 710048，China
^3.Information Support Force Engineering University，Wuhan Hubei 430034，China

Received:2025-07-29 Revised:2025-11-04 Accepted:2025-11-06 Online:2025-12-22 Published:2026-08-10
Contact: Rong FEI
About author:QIU Yuan， born in 1983， Ph. D.， lecturer. His research interests include artificial intelligence， data mining.
PENG Hailong， born in 2000， M. S. candidate. His research interests include community detection.
XU Qingzheng， born in 1980， Ph. D.， associate research fellow. His research interests include evolutionary computation.
LI Qianxi， born in 2000， Ph. D. candidate. Her research interests include deep reinforcement learning.
XUE Cheng， born in 2002， M. S. candidate. Her research interests include medical imaging.
Supported by:
National Natural Science Foundation of China(62120106011)

摘要/Abstract

摘要：

引文网络中的学术群体识别旨在揭示学者间的内在关联。然而，节点属性（内容特征）与拓扑结构（关联模式）的异质性导致融合时易出现特征错位与信息稀释，且现有方法常忽略由高连接度节点构成的核心子网络所蕴含的稳定关联模式，这些制约了识别精度。为了解决上述问题，提出一种多视图注意力融合的学术群体识别（MAFCI）方法。所提方法采用双视图设计：一个视图对原始节点属性与邻接矩阵进行编码，另一个视图融合由k-core提取的核心节点信息及其拓扑结构；采用稀疏图注意力机制分别从两个视图中提取低维嵌入，并通过动态加权策略实现多源信息的自适应融合，以兼顾局部结构与全局语义。解码器通过内积重构邻接矩阵，并基于注意力机制恢复节点属性与核心信息；同时，引入自监督聚类损失，引导嵌入表示向判别性聚类中心收敛，增强群体边界的区分度。在Cora、Citeseer、ACM和DBLP 4个引文网络数据集上的实验结果表明，MAFCI方法在多数核心评价指标上优于DDGAE（Deep Dual Graph Attention auto-Encoder）和BCDAN（Balanced method for Community Detection in Attribute Networks）等9个先进基线方法。具体地，在DBLP数据集上，MAFCI方法的归一化互信息（NMI）达到0.513，准确率（ACC）达到0.809，分别较最优基线方法提升了2.3和1.3个百分点；在ACM数据集上，MAFCI方法的NMI为0.674，F1分数为0.903，分别较最优基线方法提升了1.2和0.8个百分点；在Citeseer数据集上，MAFCI方法的NMI达到0.448，较最优基线方法提升了0.7个百分点；在Cora数据集上，MAFCI方法的NMI达到0.543，同样优于所有对比方法。可见，MAFCI方法通过双视图稀疏注意力与动态融合机制，有效提升了学术群体识别的准确性与鲁棒性，在不同规模与结构的引文网络上均表现出良好泛化能力。

关键词: 学术群体识别, 社区检测, 自监督聚类, 核心子网络, 稀疏图注意力, 联合优化, 表示学习

Abstract:

Academic community identification in citation networks aims at uncovering internal correlations among scholars. However， heterogeneity of node attributes （content features） and topological structures （association patterns） often cause feature misalignment and information dilution during fusion， and the existing methods often ignore stable association patterns in core subnetworks formed by highly-connected nodes， which limit identification accuracy. To address these issues， a Multi-view Attention Fusion for academic Community Identification （MAFCI） method was proposed. In the method， a dual-view design was adopted： original node attributes and the adjacency matrix were encoded by one view， while core-node information and its topology extracted by k?core were incorporated by the other one view. A sparse graph attention mechanism was applied to extract low-dimensional embeddings from both views， and a dynamic weighting strategy was employed to fuse multi-source information adaptively， thereby balancing local structure and global semantics. In the decoder， the adjacency matrix was reconstructed via inner product and node attributes as well as core information were restored using attention mechanism. At the same time， a self-supervised clustering loss was introduced to guide embedding representations in converging to discriminative cluster centers and enhance community boundary separability. Experimental results on four citation network datasets （Cora， Citeseer， ACM， and DBLP） demonstrate that MAFCI method outperforms nine advanced baseline methods， including DDGAE （Deep Dual Graph Attention auto-Encoder） and BCDAN （Balanced method for Community Detection in Attribute Networks）， on most core metrics. Specifically， on the DBLP dataset， MAFCI method achieves a Normalized Mutual Information （NMI） of 0.513 and an Accuracy （ACC） of 0.809， which are improved by 2.3 and 1.3 percentage points， respectively， compared to the optimal baseline method； on the ACM dataset， MAFCI method achieves an NMI of 0.674 and an F1-score of 0.903， representing improvements of 1.2 and 0.8 percentage points， respectively， compared to the optimal baseline method； on the Citeseer dataset， MAFCI method has the NMI achieved 0.448， which is improved by 0.7 percentage points； on the Cora dataset， MAFCI method has the NMI reached 0.543， also surpassing all comparison methods. It can be seen that MAFCI method enhances the accuracy and robustness of academic community identification and has strong generalization across citation networks of varying scales and structures effectively through dual-view sparse attention and dynamic fusion mechanism.

Key words: academic community identification, community detection, self-supervised clustering, core subnetwork, sparse graph attention, joint optimization, representation learning

中图分类号:

TP391.41

邱原, 彭海龙, 费蓉, 徐庆征, 李仟禧, 薛诚. 多视图注意力融合的引文网络学术群体识别[J]. 计算机应用, 2026, 46(8): 2494-2504.

Yuan QIU, Hailong PENG, Rong FEI, Qingzheng XU, Qianxi LI, Cheng XUE. Multi-view attention fusion for academic community identification in citation networks[J]. Journal of Computer Applications, 2026, 46(8): 2494-2504.

图/表 11

参考文献 40

[1]	Girvan M， Newman M E J. Community structure in social and biological networks［J］. Proceedings of the National Academy of Sciences of the United States of America， 2002， 99（12）： 7821-7826.
[2]	Zhu J， Yaseen A. A recommender for research collaborators using graph neural networks［J］. Frontiers in Artificial Intelligence， 2022， 5： No.881704.
[3]	Yan D， Bai J， Li C. Comparison of typical clustering algorithms for patent citation network［C］// CISAI 2021. Piscataway： IEEE， 2021： 322-325.
[4]	Huong V T， Koch T. Clustering scientific publications： lessons learned through experiments with a real citation network［PP/OL］. V1. arXiv （2025-05-15）［2025-09-26］..
[5]	李成赞，黎建辉，王学志，等. 基于引文网络社区发现的数据推荐研究［J］. 情报学报， 2021， 40（8）： 879-886.
	Li Chengzan， Li Jianhui， Wang Xuezhi， et al. Research on data recommendation based on community detection of citation network［J］. Journal of the China Society for Scientific and Technical Information， 2021， 40（8）： 879-886.
[6]	Wang S， Yang J， Yao J， et al. An overview of advanced deep graph node clustering［J］. IEEE Transactions on Computational Social Systems， 2024， 11（1）： 1302-1314.
[7]	Su X， Xue S， Liu F， et al. A comprehensive survey on community detection with deep learning［J］. IEEE Transactions on Neural Networks and Learning Systems， 2024， 35（6）： 4682-4702.
[8]	Wei X， Zhang Z， Huang H， et al. An overview on deep clustering［J］. Neurocomputing， 2024， 590： No.127761.
[9]	林欣蕊，王晓菲，朱焱. 基于局部扩展社区发现的学术异常引用群体检测［J］. 计算机应用， 2024， 44（6）： 1855-1861.
	Lin Xinrui， Wang Xiaofei， Zhu Yan. Academic anomaly citation group detection based on local extended community detection［J］. Journal of Computer Applications， 2024， 44（6）： 1855-1861.
[10]	Peng H， Fei R， Wan Y， et al. Deep embedding clustering on citation networks for community detection［C］// HDIS 2023. Piscataway： IEEE， 2023： 81-87.
[11]	Newman M E J， Girvan M. Finding and evaluating community structure in networks［J］. Physical Review E， 2004， 69（2）： No.026113.
[12]	Blondel V D， Guillaume J L， Lambiotte R， et al. Fast unfolding of communities in large networks［J］. Journal of Statistical Mechanics： Theory and Experiment， 2008， 2008（10）： No.P10008.
[13]	陈吉成，陈鸿昶. 基于张量建模和进化K均值聚类的社区检测方法［J］. 计算机应用， 2021， 41（11）： 3120-3126.
	Chen Jicheng， Chen Hongchang. Community detection method based on tensor modeling and evolutionary K-means clustering［J］. Journal of Computer Applications， 2021， 41（11）： 3120-3126.
[14]	刘世梁，王义，马应龙. 考虑社区规模不平衡的非重叠社区检测［J］. 计算机应用， 2024， 44（11）： 3396-3402.
	Liu Shiliang， Wang Yi， Ma Yinglong. Non-overlapping community detection with imbalanced community sizes［J］. Journal of Computer Applications， 2024， 44（11）： 3396-3402.
[15]	Kipf T N， Welling M. Semi-supervised classification with graph convolutional networks［PP/OL］. V4. arXiv （2017-02-22）［2025-09-26］. .
[16]	Kipf T N， Welling M. Variational graph auto-encoders［PP/OL］. V1. arXiv （2016-11-21）［2025-09-26］..
[17]	Wang C， Pan S， Hu R， et al. Attributed graph clustering： a deep attentional embedding approach［C］// IJCAI 2019. California： IJCAI， 2019： 3670-3676.
[18]	Pan S， Hu R， Long G， et al. Adversarially regularized graph autoencoder for graph embedding［C］// IJCAI 2018. California： IJCAI， 2018： 2609-2615.
[19]	Veličković P， Cucurull G， Casanova A， et al. Graph attention networks［PP/OL］. V3. arXiv （2018-02-04）［2025-03-10］..
[20]	Liu Y， Peng Y， Chen H， et al. BCDAN： a balanced method for community detection in attributed networks［J］. Neurocomputing， 2025， 644： No.130411.
[21]	Tang F， Li J， Liu X， et al. GATFELPA integrates graph attention networks and enhanced label propagation for robust community detection［J］. Scientific Reports， 2025， 15： No.3952.
[22]	Boubekki A， Kampffmeyer M， Brefeld U， et al. Joint optimization of an autoencoder for clustering and embedding［J］. Machine Learning， 2021， 110（7）： 1901-1937.
[23]	Kong Y X， Shi G Y， Wu R J， et al. k-core： Theories and applications［J］. Physics Reports， 2019， 832： 1-32.
[24]	Ahn S J， Kim M. Variational graph normalized auto-encoders［C］// CIKM 2021. New York： ACM， 2021： 2827-2831.
[25]	Perozzi B， Al-Rfou R， Skiena S. DeepWalk： online learning of social representations［C］// KDD 2014. New York： ACM， 2014： 701-710.
[26]	Cao S， Lu W， Xu Q. Deep neural networks for learning graph representations［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2016， 30（1）： 1145-1152.
[27]	Wang C， Pan S， Long G， et al. MGAE： marginalized graph autoencoder for graph clustering［C］// CIKM 2017. New York： ACM， 2017： 889-898.
[28]	Salehi A， Davulcu H. Graph attention auto-encoders［PP/OL］. V1. arXiv （2019-05-26）［2025-05-12］..
[29]	Liu C， Yang Y， Ding Y， et al. DAG： deep adaptive and generative K-free community detection on attributed graphs［C］// KDD 2024. New York： ACM， 2024： 5454-5465.
[30]	Liu H， Wei J， Xu T. Community detection based on community perspective and graph convolutional network［J］. Expert Systems with Applications， 2023， 231： No.120748.
[31]	Zhang X， Liu H， Wu X M， et al. Spectral embedding network for attributed graph clustering［J］. Neural Networks， 2021， 142： 388-396.
[32]	Zhou X， Su L， Li X， et al. Community detection based on unsupervised attributed network embedding［J］. Expert Systems with Applications， 2023， 213（Pt A）： No.118937.
[33]	Wu X， Lu W， Quan Y， et al. Deep dual graph attention auto-encoder for community detection［J］. Expert Systems with Applications， 2024， 238（Pt D）： No.122182.
[34]	Kang Z， Xie X， Li B， et al. CDC： a simple framework for complex data clustering［J］. IEEE Transactions on Neural Networks and Learning Systems， 2025， 36（7）： 13177-13188.
[35]	Falih I， Grozavu N， Kanawati R， et al. Community detection in attributed network［C］// WWW 2018. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2018： 1299-1306.
[36]	杜航原，张晶，王文剑. 一种深度自监督聚类集成算法［J］. 智能系统学报， 2020， 15（6）： 1113-1120.
	Du Hangyuan， Zhang Jing， Wang Wenjian. A deep self-supervised clustering ensemble algorithm［J］. CAAI Transactions on Intelligent Systems， 2020， 15（6）： 1113-1120.
[37]	Sen P， Namata G， Bilgic M， et al. Collective classification in network data［J］. AI Magazine， 2008， 29（3）： 93-106.
[38]	Shchur O， Mumme M， Bojchevski A， et al. Pitfalls of graph neural network evaluation［PP/OL］. V2. arXiv （2019-06-18）［2025-03-10］..
[39]	Hassani K， Khasahmadi A H. Contrastive multi-view representation learning on graphs［J］. Proceedings of Machine Learning Research， 2020， 119： 4116-4126.
[40]	Liu Y， Tu W， Zhou S， et al. Deep graph clustering via dual correlation reduction［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2022， 36（7）： 7603-7611.

数据集	节点数	属性维度	边数	类别数
Cora	2 708	1 433	5 278	7
Citeseer	3 327	3 703	4 552	6
DBLP	4 057	334	3 528	4
ACM	3 025	1 870	13 128	3

数据集	节点数	属性维度	边数	类别数
Cora	2 708	1 433	5 278	7
Citeseer	3 327	3 703	4 552	6
DBLP	4 057	334	3 528	4
ACM	3 025	1 870	13 128	3

数据集	评价指标	DAEGC	ARGA	ARVGA	MVGRL	DCRN	CDBNE	DDGAE	GATFELPA	BCDAN	MAFCI
Cora	ACC	0.679	0.652	0.642	0.658	0.621	0.689	0.733	0.731	0.692	0.704
	NMI	0.477	0.448	0.451	0.466	0.461	0.491	0.540	0.531	0.532	0.543
	ARI	0.428	0.352	0.375	0.438	0.328	0.447	0.515	0.514	0.521	0.504
	F1	0.643	0.624	0.638	0.645	0.493	0.670	0.702	0.697	0.673	0.681
Citeseer	ACC	0.648	0.610	0.607	0.681	0.682	0.691	0.705	0.689	0.707	0.709
	NMI	0.389	0.347	0.322	0.416	0.407	0.422	0.439	0.441	0.433	0.448
	ARI	0.380	0.350	0.320	0.410	0.428	0.441	0.450	0.446	0.465	0.455
	F1	0.607	0.580	0.566	0.607	0.619	0.468	0.650	0.633	0.646	0.628
ACM	ACC	0.879	0.866	0.842	0.866	0.895	0.684	0.896	0.893	0.889	0.903
	NMI	0.586	0.637	0.524	0.613	0.661	0.432	0.661	0.662	0.651	0.674
	ARI	0.622	0.648	0.582	0.661	0.716	0.406	0.728	0.725	0.715	0.734
	F1	0.892	0.863	0.839	0.871	0.892	0.641	0.894	0.895	0.890	0.903
DBLP	ACC	0.632	0.650	0.552	0.432	0.791	0.647	0.796	0.698	0.762	0.809
	NMI	0.342	0.309	0.263	0.162	0.490	0.340	0.474	0.467	0.426	0.513
	ARI	0.211	0.380	0.199	0.124	0.534	0.305	0.556	0.572	0.451	0.571
	F1	0.619	0.652	0.692	0.410	0.790	0.660	0.795	0.762	0.725	0.805

数据集	评价指标	DAEGC	ARGA	ARVGA	MVGRL	DCRN	CDBNE	DDGAE	GATFELPA	BCDAN	MAFCI
Cora	ACC	0.679	0.652	0.642	0.658	0.621	0.689	0.733	0.731	0.692	0.704
	NMI	0.477	0.448	0.451	0.466	0.461	0.491	0.540	0.531	0.532	0.543
	ARI	0.428	0.352	0.375	0.438	0.328	0.447	0.515	0.514	0.521	0.504
	F1	0.643	0.624	0.638	0.645	0.493	0.670	0.702	0.697	0.673	0.681
Citeseer	ACC	0.648	0.610	0.607	0.681	0.682	0.691	0.705	0.689	0.707	0.709
	NMI	0.389	0.347	0.322	0.416	0.407	0.422	0.439	0.441	0.433	0.448
	ARI	0.380	0.350	0.320	0.410	0.428	0.441	0.450	0.446	0.465	0.455
	F1	0.607	0.580	0.566	0.607	0.619	0.468	0.650	0.633	0.646	0.628
ACM	ACC	0.879	0.866	0.842	0.866	0.895	0.684	0.896	0.893	0.889	0.903
	NMI	0.586	0.637	0.524	0.613	0.661	0.432	0.661	0.662	0.651	0.674
	ARI	0.622	0.648	0.582	0.661	0.716	0.406	0.728	0.725	0.715	0.734
	F1	0.892	0.863	0.839	0.871	0.892	0.641	0.894	0.895	0.890	0.903
DBLP	ACC	0.632	0.650	0.552	0.432	0.791	0.647	0.796	0.698	0.762	0.809
	NMI	0.342	0.309	0.263	0.162	0.490	0.340	0.474	0.467	0.426	0.513
	ARI	0.211	0.380	0.199	0.124	0.534	0.305	0.556	0.572	0.451	0.571
	F1	0.619	0.652	0.692	0.410	0.790	0.660	0.795	0.762	0.725	0.805

超参数	Cora	Citeseer	ACM	DBLP
λ₁	2.0	0.5	0.2	0.5
λ₂	2.0	5.0	0.1	1.0

多视图注意力融合的引文网络学术群体识别

Multi-view attention fusion for academic community identification in citation networks

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 40

相关文章 15

编辑推荐

Metrics

数据集	SpGAT/10⁶	Clustering Module/10³	总参数量/10⁶
Cora	1.61	1.79	1.61
Citeseer	3.94	1.54	3.94
ACM	2.06	0.77	2.06
DBLP	0.48	1.02	0.48

数据集	SpGAT模块	聚类模块	总浮点计算量
Cora	15.34	9.72	25.06
Citeseer	42.88	10.24	53.12
ACM	21.66	4.66	26.32
DBLP	10.68	8.32	19.00

[1]	袁立宁. 基于Wasserstein正则化增强的图表示学习[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2421-2431.
[2]	陈宇, 戚帅康, 许莉薇, 朱浩天. 融合多尺度小波增强与自监督学习的社交机器人检测框架[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1756-1766.
[3]	王美华, 黄杰, 温雯, 蔡瑞初, 黄沛杰, 徐禹洪, 林新龙. 基于梯度正交投影的动态知识图谱持续嵌入方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1776-1784.
[4]	王静红, 陈潇, 马迎梅, 李笔, 米据生, 王威. 基于自适应学习的多层次邻域对比属性图聚类[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1836-1843.
[5]	张婧, 刘松华, 朱远乾. 基于频谱感知和层次卷积的时间序列表示方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1124-1130.
[6]	于巧, 黄子睿, 程圣懿, 祝义, 张淑涛. 基于边权重的软件漏洞检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 518-527.
[7]	李玟, 李开荣, 杨凯. 基于数据增强的子图感知对比学习[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 1-9.
[8]	程梓洋, 黄瑞章, 薛菁菁. 深度演化主题聚类模型[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 85-94.
[9]	张博瀚, 吕乐, 荆军昌, 刘栋. 基于遗传算法的属性网络社区隐藏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2817-2826.
[10]	曲鹏欢, 魏巍, 闫京, 王锋. 基于双补全的不完整多视图度量学习[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2755-2763.
[11]	王义, 马应龙. 基于项图动态适应性生成的多任务社交项推荐方法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2592-2599.
[12]	王海杰, 张广鑫, 史海, 陈树. 基于实体表示增强的文档级关系抽取[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1809-1816.
[13]	龙雨菲, 牟宇辰, 刘晔. 基于张量化图卷积网络和对比学习的多源数据表示学习模型[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1372-1378.
[14]	胡林波, 倪志伟, 程家乐, 刘文涛, 朱旭辉. 融合社区检测的协作众包任务分配方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 534-545.
[15]	吕乐, 张博瀚, 荆军昌, 刘栋. 基于持久性的多目标节点隐藏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3203-3213.