LLM-Symbolized Structured Processes 实现可解释无监督社区检测：大模型驱动的社区发现新范式
LLM 通过符号化结构化过程，将社区检测从黑箱聚类转变为可解释、可验证的推理任务，标志着无监督社区发现进入大模型驱动的新阶段。
核心突破：LLM 赋予社区检测可解释性
传统社区检测依赖图嵌入或统计推断，结果难以解释。LLM-Symbolized Structured Processes 将大语言模型作为推理引擎，将网络结构转化为符号化过程描述，使每个社区划分都有明确的语义逻辑支撑。
LLM 方法 · 推理链
规则 1：节点度阈值
▼
规则 2：邻域同质性
▼
规则 3：结构等价
▼
节点 A 符合社区 X
▼
语义标签：技术创新
推理路径可追溯
相比传统方法，该框架在社区划分的因果可追溯性上提升显著，用户可追溯每个节点归属的决策链。基于符号化过程表示，社区划分不再是数值聚类，而是可读的规则序列。
能力对比：LLM 方法 vs 传统方法
在社区检测的准确率与可解释性双重维度上，LLM-Symbolized 方法展现出独特优势。
传统方法（Louvain / Infomap）
- 准确率高但无法解释为什么某些节点属于同一社区
- 依赖图嵌入或统计推断，结果缺乏语义支撑
- 社区划分过程不透明，难以验证和干预
- 面对异构网络时适应性有限
LLM-Symbolized 方法
- 准确率接近甚至超越传统方法
- 给出自然语言形式的社区语义描述
- 推理过程可追溯、可验证
- 领域专家可以理解和干预模型推理
"社区检测的下一阶段不仅是找结构，而是理解结构背后的意义。LLM 的符号化能力让‘理解’成为可能。"
—— 论文作者之一
行业影响：大模型从文本生成走向图结构推理
该工作将 LLM 的应用边界从纯文本拓展到图结构数据，预示着大模型在社交网络分析、生物网络、金融风控等领域的落地潜力。
LLM 图推理
符号化引擎
🌐
社交网络用户分层
基于兴趣与互动模式的语义社区
🧬
蛋白质相互作用网络
功能模块识别与生物通路发现
LLM-Symbolized Structured Processes 是社区检测领域的一次方法论跃迁，将可解释性从附属品提升为核心设计目标。符号化过程使得领域专家可以验证和干预模型推理，降低了在关键领域部署的信任门槛。
大模型正在重构图分析的基础范式，社区检测从‘找团’进入‘讲团’时代，LLM-Symbolized 是这一趋势的典型代表。