新模型设计：Dynamic Graph Contrastive Learning (DGCL) for Robust Community Detection in Social Networks

一、模型背景

社交网络中社区检测任务旨在从复杂、动态且噪声干扰严重的网络中准确识别出潜在的群体结构。传统的图神经网络（GNN）大多依赖静态邻接矩阵进行消息传递，无法捕捉节点间不断变化的交互关系以及噪声边带来的干扰。在实际应用中，社交网络往往具有以下特点：

1. 动态拓扑变化：节点之间的连接关系会随时间演变，静态模型难以适应这种变化。
2. 噪声边干扰：由于信息不完备或社交行为的随机性，网络中存在大量虚假或噪声边，直接影响社区划分的准确性。
3. 多视图特征：除了网络拓扑信息外，节点通常还具有丰富的属性信息。如何同时利用拓扑结构与节点属性，提取更为鲁棒的嵌入表示，是社区检测中的关键问题。

针对以上问题，本文提出了一种动态图对比学习模型（