Local community detection, which aims to find a target community containing a set of query nodes, has recently drawn intense research interest. The existing local community detection methods usually assume all query nodes are from the same community and only find a single target community. This is a strict requirement and does not allow much flexibility. In many real-world applications, however, we may not have any prior knowledge about the community memberships of the query nodes, and different query nodes may be from different communities. To address this limitation of the existing methods, we propose a novel memory-based random walk method, MRW, that can simultaneously identify multiple target local communities to which the query nodes belong. In MRW, each query node is associated with a random walker. Different from commonly used memoryless random walk models, MRW records the entire visiting history of each walker. The visiting histories of walkers can help unravel whether they are from the same community or not. Intuitively, walkers with similar visiting histories are more likely to be in the same community. Moreover, MRW allows walkers with similar visiting histories to reinforce each other so that they can better capture the community structure instead of being biased to the query nodes. We provide rigorous theoretical foundations for the proposed method and develop efficient algorithms to identify multiple target local communities simultaneously. Comprehensive experimental evaluations on a variety of real-world datasets demonstrate the effectiveness and efficiency of the proposed method.

中文翻译：

---

基于内存的随机游走，用于多查询本地社区检测

旨在发现包含一组查询节点的目标社区的本地社区检测最近引起了强烈的研究兴趣。现有的本地社区检测方法通常假定所有查询节点都来自同一社区，并且仅找到单个目标社区。这是一个严格的要求，并且没有太大的灵活性。但是，在许多实际应用中，我们可能没有关于查询节点社区成员资格的任何先验知识，并且不同的查询节点可能来自不同的社区。为了解决现有方法的这种局限性，我们提出了一种新颖的基于内存的随机游走方法MRW，该方法可以同时识别查询节点所属的多个目标本地社区。在MRW中，每个查询节点都与一个随机walker相关联。与常用的无记忆随机行走模型不同，MRW记录每个行走者的整个访问历史。步行者的来访历史可以帮助他们了解是否来自同一社区。凭直觉，具有相似访问历史的步行者更有可能在同一个社区中。此外，MRW允许具有相似访问历史的步行者相互加强，以便他们可以更好地捕获社区结构，而不会偏向查询节点。我们为提出的方法提供了严格的理论基础，并开发了有效的算法来同时识别多个目标本地社区。对各种现实数据集的综合实验评估证明了该方法的有效性和效率。MRW记录每个步行者的完整访问历史。步行者的来访历史可以帮助他们了解是否来自同一社区。凭直觉，具有相似访问历史的步行者更有可能在同一个社区中。此外，MRW允许具有相似访问历史的步行者相互加强，以便他们可以更好地捕获社区结构，而不会偏向查询节点。我们为提出的方法提供了严格的理论基础，并开发了有效的算法来同时识别多个目标本地社区。对各种现实数据集的综合实验评估证明了该方法的有效性和效率。MRW记录每个步行者的完整访问历史。步行者的来访历史可以帮助他们了解是否来自同一社区。凭直觉，具有相似访问历史的步行者更有可能在同一个社区中。此外，MRW允许具有相似访问历史的步行者相互加强，以便他们可以更好地捕获社区结构，而不会偏向查询节点。我们为提出的方法提供了严格的理论基础，并开发了有效的算法来同时识别多个目标本地社区。对各种现实数据集的综合实验评估证明了该方法的有效性和效率。步行者的来访历史可以帮助他们了解是否来自同一社区。凭直觉，具有相似访问历史的步行者更有可能在同一个社区中。此外，MRW允许具有相似访问历史的步行者相互加强，以便他们可以更好地捕获社区结构，而不会偏向查询节点。我们为提出的方法提供了严格的理论基础，并开发了有效的算法来同时识别多个目标本地社区。对各种现实世界数据集的综合实验评估证明了该方法的有效性和效率。步行者的来访历史可以帮助他们了解是否来自同一社区。凭直觉，具有相似访问历史的步行者更有可能在同一个社区中。此外，MRW允许具有相似访问历史的步行者相互加强，以便他们可以更好地捕获社区结构，而不会偏向查询节点。我们为提出的方法提供了严格的理论基础，并开发了有效的算法来同时识别多个目标本地社区。对各种现实世界数据集的综合实验评估证明了该方法的有效性和效率。MRW允许具有相似访问历史的步行者相互加强，以便他们可以更好地捕获社区结构，而不会偏向查询节点。我们为提出的方法提供了严格的理论基础，并开发了有效的算法来同时识别多个目标本地社区。对各种现实世界数据集的综合实验评估证明了该方法的有效性和效率。MRW允许具有相似访问历史的步行者相互加强，以便他们可以更好地捕获社区结构，而不会偏向查询节点。我们为提出的方法提供了严格的理论基础，并开发了有效的算法来同时识别多个目标本地社区。对各种现实世界数据集的综合实验评估证明了该方法的有效性和效率。