研究论文
LUCID：LLM 引导的可解释无监督社区检测方法
研究者提出 LUCID，借助大语言模型推理能力实现无标签、可解释的图社区检测，在真实数据集上取得 SOTA。
2026.08.10 · 周一约 2 分钟阅读
社区检测是图分析中的基础任务，目标是在网络中识别出行为或兴趣相似的实体群体。传统目标驱动方法面对复杂图结构时表现欠佳，而深度学习方法虽然提升了性能，却牺牲了可解释性，并依赖标注数据与训练过程。研究者近日在 arXiv 上发表论文，提出名为 LUCID 的新方法，借助大语言模型的推理能力与开放世界知识，在无标签条件下实现可解释的社区检测。
方法总体思路
LUCID 是一种由 LLM 引导、无需训练、无监督的社区检测方法。其灵感来自自然系统中的相变动力学——复杂结构通过初始化、合并、细化、选择四个过程涌现。研究者将这一动力学过程映射为四阶段流水线，让 LLM 在每一步中归纳出形式化规则，从而把隐式知识转化为显式的、可解释的逻辑结构。
四阶段流水线
LUCID 的工作流程分为四个连续阶段：
- 局部视角社区初始化（Local-View Community Initialization）：利用 k-ego 上下文与无监督节点角色编码局部图结构。
- 多因子社区合并（Multi-factor Community Merge）：使用 LLM 归纳出的规则，以迭代方式合并局部社区。
- 多粒度社区细化（Multi-grain Community Refinement）：并行施加 LLM 归纳的粗到细规则，降低边界噪声。
- 全局视角社区选择（Global-view Community Selection）：基于拓扑紧致性与边界清晰度筛选高质量社区。
实验结果与意义
研究者在多个真实数据集上开展了系统实验。结果显示，作为一种无监督方法，LUCID 达到了当前最优性能，并稳定超越主流无监督与半监督基线。论文的核心贡献在于把 LLM 的世界知识与推理能力引入结构化图分析过程，同时通过规则归纳保留了结果的可解释性，为无标签、跨领域的社区发现问题提供了一条新的技术路径。