DOI: https://doi.org/10.1109/tcss.2025.3634341
تاريخ النشر: 2026-01-12
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تنقل البشر والتحليل القائم على الموقع
نظرة عامة
في هذا القسم، يختتم المؤلفون تحقيقهم في تطبيق GPT-3.5-turbo لخوارزميات توسيع البذور، مقدمين منهجية جديدة تُدعى ComGPT. يدمج هذا النهج طريقة ترميز الرسوم البيانية التي تعزز اكتشاف المجتمع المحلي من خلال الاستفادة من معرفة المجتمع. بالإضافة إلى ذلك، قاموا بتطوير مطالبة NSG لتحسين فهم نموذج اللغة لمعلومات مجال المجتمع. تظهر النتائج التجريبية أن كل من طريقة ترميز الرسوم البيانية والمطالبات تساعد بشكل فعال GPT-3.5-turbo في فهم المعلومات الخاصة بالمجال وتحديد هياكل المجتمع المحلي.
على الرغم من مزايا استراتيجية التوسع المحلي لـ ComGPT في تقليل استهلاك الرموز، يعترف المؤلفون بتحدٍ: قد يتجاوز الحجم المحتمل للمجتمعات المحلية في الشبكات الكبيرة حدود الرموز لنماذج اللغة الكبيرة (LLMs). لمعالجة ذلك، ستركز الأعمال المستقبلية على اكتشاف المجتمعات المحلية القابلة للتوسع وتقنيات ضغط المعلومات لضمان بقاء بيانات الإدخال قابلة للإدارة. علاوة على ذلك، يعبر المؤلفون عن نيتهم في تطبيق منهجياتهم المقترحة على مهام أخرى تتضمن بيانات الوسائط المتعددة ثنائية وثلاثية الأبعاد.
الطرق
في هذا القسم، يقدم المؤلفون نتائج تجريبية تقيم أداء ComGPT عبر خمسة مجموعات بيانات: الدلافين، كتب السياسة، كرة القدم، أمازون، و DBLP. تشمل مقاييس التقييم المستخدمة F-score ومؤشر Jaccard، مع نتائج تشير إلى أن ComGPT يتفوق على مجموعات بيانات أمازون و DBLP، محققًا أعلى الدرجات بسبب هياكل المجتمع المميزة التي تتميز بمعلمات خلط منخفضة وموارد عالية. على العكس، أداء ComGPT غير مثالي على مجموعة بيانات كرة القدم، ويعزى ذلك إلى معلمة الخلط العالية، مما يعقد اكتشاف المجتمع من خلال دمج مجتمعات متميزة. تسلط الدراسة الضوء على أن الطرق التقليدية مثل لوفيان ومتغيراتها تكافح مع مجموعات بيانات مثل أمازون و DBLP، حيث تميل إلى دمج المجتمعات بشكل غير دقيق.
تستكشف دراسة الإزالة بشكل أكبر مساهمات المكونات المختلفة لـ ComGPT، بما في ذلك GPT-3.5-turbo، المعرفة التكميلية (SK)، والمطالبات المحددة (NSG و NSU). تظهر النتائج أن ComGPT يتفوق باستمرار على النسخ المبسطة التي تفتقر إلى هذه المكونات، مما يبرز أهمية كل منها في تعزيز دقة اكتشاف المجتمع. تشير النتائج إلى أن دمج معرفة المجتمع وتقنيات المطالبة المتقدمة يحسن بشكل كبير من قدرة النموذج على تمييز هياكل المجتمع، مما يكشف عن إمكانيات نماذج اللغة الكبيرة في مهام اكتشاف المجتمع المحلي.
المناقشة
تقدم البحث ComGPT، وهو خوارزمية جديدة لتوسيع البذور الموجهة بواسطة GPT مصممة لاكتشاف المجتمع في الشبكات. يعمل ComGPT من خلال أربع خطوات رئيسية: تحديد العقد المحتملة، ترميز الرسوم البيانية، اختيار العقد، وإضافة العقد، مستفيدًا من قدرات نموذج GPT-3.5-turbo. تبدأ الخوارزمية بتحديد العقد المحتملة من جيران المجتمع الحالي، والتي يتم ترميزها بعد ذلك في تنسيق نصي يمكن لـ GPT-3.5-turbo معالجته. يتم توجيه عملية اختيار العقد بواسطة مطالبتين – NSG 1 و NSG 2 – تهدفان إلى معالجة القضايا الشائعة في اكتشاف المجتمع، مثل مشكلة الاعتماد على البذور وانتشار المجتمع. تقوم الخوارزمية بتوسيع المجتمع بشكل تكراري حتى لا يمكن تحديد المزيد من العقد المناسبة، وفي النهاية تختار المجتمع الذي يتمتع بأعلى موارد محلية.
تظهر فعالية ComGPT من خلال التجارب على مجموعات بيانات حقيقية متنوعة، بما في ذلك الدلافين، كرة القدم، كتب السياسة، أمازون، و DBLP. تشير النتائج إلى أن ComGPT يتفوق على الطرق التقليدية من خلال الاستفادة من قدرات التفكير الدلالي لـ GPT-3.5-turbo، بدلاً من الاعتماد فقط على القواعد المحددة مسبقًا. يتم تقييم أداء الخوارزمية باستخدام مقاييس مثل Jaccard و F-score، مما يكشف أن المطالبات المصممة NSG تعزز بشكل كبير عملية الاختيار، مما يؤدي إلى تحسين نتائج اكتشاف المجتمع. بالإضافة إلى ذلك، تُظهر تحليل التعقيد الحسابي أن وقت التنفيذ يتأثر بشكل أساسي بوقت استجابة واجهة برمجة تطبيقات GPT-3.5-turbo، مما يبرز الحاجة إلى تفاعلات واجهة برمجة تطبيقات فعالة في التطبيقات العملية. بشكل عام، يمثل ComGPT تقدمًا كبيرًا في دمج نماذج اللغة الكبيرة مع خوارزميات اكتشاف المجتمع، مما يوفر نهجًا أكثر دقة لفهم هياكل الشبكة.
DOI: https://doi.org/10.1109/tcss.2025.3634341
Publication Date: 2026-01-12
Author(s): Zhenyun Du et al.
Primary Topic: Human Mobility and Location-Based Analysis
Overview
In this section, the authors conclude their investigation into the application of GPT-3.5-turbo for seed expansion algorithms, introducing a novel methodology called ComGPT. This approach integrates a graph encoding method that enhances local community detection by leveraging community knowledge. Additionally, they developed the NSG prompt to improve the language model’s comprehension of community domain knowledge. Experimental results demonstrate that both the graph encoding method and the prompts effectively aid GPT-3.5-turbo in understanding domain-specific information and identifying local community structures.
Despite the advantages of ComGPT’s local expansion strategy in reducing token consumption, the authors acknowledge a challenge: the potential size of local communities in large-scale networks may exceed the token limits of large language models (LLMs). To address this, future work will focus on scalable local community detection and information compression techniques to ensure that input data remains manageable. Furthermore, the authors express their intention to apply their proposed methodologies to other tasks involving 2D and 3D multimedia data.
Methods
In this section, the authors present experimental results assessing the performance of ComGPT across five datasets: Dolphins, Polbooks, Football, Amazon, and DBLP. The evaluation metrics used include F-score and Jaccard index, with results indicating that ComGPT excels on the Amazon and DBLP datasets, achieving the highest scores due to their distinct community structures characterized by low mixing parameters and high modularity. Conversely, ComGPT’s performance is suboptimal on the Football dataset, attributed to its high mixing parameter, which complicates community detection by merging distinct communities. The study highlights that traditional methods like Louvain and its variants struggle with datasets like Amazon and DBLP, as they tend to merge communities inaccurately.
An ablation study further investigates the contributions of various components of ComGPT, including the GPT-3.5-turbo, supplementary knowledge (SK), and specific prompts (NSG and NSU). The results demonstrate that ComGPT consistently outperforms simplified versions lacking these components, underscoring the significance of each in enhancing community detection accuracy. The findings suggest that the integration of community knowledge and advanced prompting techniques significantly improves the model’s ability to discern community structures, thereby revealing the potential of large language models in local community detection tasks.
Discussion
The research introduces ComGPT, a novel GPT-guided seed expansion algorithm designed for community detection in networks. ComGPT operates through four main steps: potential node identification, graph encoding, node selection, and node supplementation, utilizing the capabilities of the GPT-3.5-turbo model. The algorithm begins by identifying potential nodes from the neighbors of the current community, which are then encoded into a text format that GPT-3.5-turbo can process. The node selection process is guided by two prompts—NSG 1 and NSG 2—aimed at addressing common issues in community detection, such as the seed-dependent problem and community diffusion. The algorithm iteratively expands the community until no more suitable nodes can be identified, ultimately selecting the community with the highest local modularity.
ComGPT’s effectiveness is demonstrated through experiments on various real-world datasets, including Dolphins, Football, Polbooks, Amazon, and DBLP. The results indicate that ComGPT outperforms traditional methods by leveraging the semantic reasoning capabilities of GPT-3.5-turbo, rather than relying solely on predefined heuristics. The algorithm’s performance is evaluated using metrics such as Jaccard and F-score, revealing that the designed NSG prompts significantly enhance the selection process, leading to improved community detection outcomes. Additionally, the analysis of computational complexity shows that the execution time is predominantly influenced by the GPT-3.5-turbo API response time, highlighting the need for efficient API interactions in practical applications. Overall, ComGPT represents a significant advancement in integrating large language models with community detection algorithms, providing a more nuanced approach to understanding network structures.