近日，我院梁瑞成博士在《IEEE Transactions on Knowledge and Data Engineering》发表题为“Clique Annealing: Semi-Supervised Community Detection Under Crystallization Kinetics”的学术论文。

复杂网络社区发现研究在欺诈团伙识别、金融诈骗预警等场景具备重要现实意义。社区发现过程依托网络拓扑结构保障基础精度，并捕捉特定社区语义实现精准定位。现有研究多聚焦有监督或无监督范式，对少量标注的半监督场景关注不足，且多采用“先选核心再扩展”的静态启发式设计，将社区核心表示学习与后续生长过程分割，难以揭示社区形成的内在演化逻辑。

当前半监督方法在社区发现问题上面临社区核心一致性低与社区边界可拓展性差两大瓶颈问题。前者因依赖单节点或K-Hop节点嵌入，导致候选核心与真实社区偏离；后者因采用强化学习或生成对抗网络驱动扩展，计算复杂度高且难以泛化。结晶动力学中的能量最小化与晶体物理生成过程为突破上述瓶颈问题提供了可行路径。然而，现有研究未能系统阐明社区发现如何动态平衡稳定性、凝聚力、界面势垒与生长势能四项能量约束准则，难以在复杂网络空间精准高效发现真实社区。

图1 基于结晶动力学的社区发现过程

核心问题：破解一致性瓶颈，推动候选派系向精准社区动态演进

针对社区核心初始化偏差与生长边界可拓展性差，文章以结晶动力学为理论基础，构建“能量-结构-生长”统一分析框架，通过“成核-退火-结晶”逻辑解析社区生成过程。其中，成核阶段以派系(Clique)为核心捕捉密集连接子结构，克服单节点或邻域上下文缺失问题；退火阶段以能量最小化约束生长合法性，替代强化学习与生成对抗网络的重参数化扩展；结晶阶段以核心迁移机制修正初始偏差，实现候选派系向精准社区动态演进。

研究创新：构建晶体动力学驱动模型，形成社区发现结晶化新范式

研究面向半监督社区发现难点问题，具备如下创新：一是理论框架创新。引入结晶动力学理论框架，将结晶退火机制融入社区发现分析，弥补现有研究静态启发式与重学习模块偏向的不足；二是算法架构创新。提出“核芯提议、传递退火”双模块协同工作机制，识别候选派系与社区边界生长条件，形成“能量约束、结构合并、核芯迁移”动态优化路径；三是微观机制创新。通过派系合并与核芯重定位修正核心偏差，并在双曲嵌入空间编码层次化树状结构，以局部能量最小化引导社区自发、可扩展生长，实现候选派系向精准社区的演进。

结论与启示：丰富社区发现理论方法，支撑网络空间安全稳健发展

研究发现：半监督社区发现过程可以分解为核心提议、传递退火与结晶固化三个阶段，分别面临候选核心偏差、界面势垒及过度生长等挑战。通过稳定性约束、凝聚力聚合、界面能检验与生长势评估四种机制，能够有效转化结构信息与能量状态，实现从候选团到完整社区的精准检测。文章构建了基于结晶动力学的复杂网络社区发现模型，能够在有限标注条件下发现欺诈团伙、恶意账户等特定类型社区，丰富了半监督学习与图神经网络研究，为筑牢网络安全、优化电商运营环境等实际应用场景提供了方法支撑。

梁瑞成博士为论文通讯作者，合作者为新加坡管理大学Ling Chen 博士、Feida Zhu副教授等。该研究获得国家自然科学基金项目（72402001）、安徽省教育厅自然科学研究项目（2024AH050010）等资助。《IEEE Transactions on Knowledge and Data Engineering》（IEEE TKDE）是中国计算机学会（CCF）推荐的A类期刊，是数据挖掘与知识工程领域国际公认的权威顶级学术期刊。

论文链接：https://doi.org/10.1109/TKDE.2026.3659444

（撰稿：梁瑞成 ；  审核：鲍官柢）