计算机应用研究

作者：艾均,向潜,苏湛,肖晨曦,

单位：上海理工大学光电信息与计算机工程学院,上海200093；

关键词：动态网络,社团检测,图神经网络,动态邻接融合（DAF）,通道混合,

基金：国家自然科学基金资助项目(61803264)；；

随着社交网络、电商平台等场景中图数据的动态演化，动态社团检测问题已成为图表示学习中的关键任务。现有方法多基于统一的时间衰减机制建模图结构演化，难以刻画节点间异构的时序行为；同时，节点特征在通道维度的交互建模不足，限制了模型在表达能力与计算效率之间的统一优化。针对上述问题，提出了一种新型动态图学习框架——时序-通道图注意力网络（TC-GAT）。该模型以图注意力网络为基础，融合了动态邻接融合模块（DAF），通过节点自适应的时间权重实现多阶段邻接信息融合，从而刻画多样演化行为；同时引入图通道混合器（GCM），以轻量化方式建模通道间的深度交互，有效提升节点表示能力。在多个真实动态图数据集上的实验结果表明，所提模型在准确率、F1值与AUC等关键指标上均优于主流模型，且具备较高的训练效率。研究结果表明，协同建模时空演化与通道交互有助于提升动态图分析的整体性能，为发展高性能动态图社团检测方法提供了新思路。

来源：2026年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第3期