社区检测是图分析中的一个基本任务，旨在识别具有相似行为或兴趣的实体的凝聚团体。传统的目标驱动方法难以处理复杂的图结构，而深度学习方法在提高性能的同时牺牲了可解释性，并依赖于标记数据和训练。大型语言模型（LLMs）具有强大的推理能力和世界知识，对于可解释的、无标签的社区检测具有潜力。为了利用这些优势，我们提出了LUCID，一种LLM引导的、可解释的、无需训练的和无监督的社区检测方法。受自然系统中相变动力学的启发，其中复杂结构通过初始化、合并、精细化和选择而出现，LUCID被设计为一个四阶段的流水线。在这个流水线中，LLM诱导正式规则将隐式知识转换为显式和可解释的逻辑结构。具体来说，(1) 本地视图社区初始化阶段使用k-ego上下文和无监督节点角色对本地图结构进行编码；(2) 多因素社区合并阶段使用LLM诱导规则迭代合并本地社区；(3) 多粒度社区精细化阶段并行应用LLM诱导的粗到细规则以减少边界噪声；(4) 全局视图社区选择阶段根据拓扑紧凑性和边界清晰度识别高质量社区。大量的实验表明，LUCID作为一种无监督方法，实现了最先进的性能，并且始终优于领先的无监督和半监督基线。 博主点评： 本文提出了一种基于LLM的社区检测方法，具有可解释性和无监督性，实验结果表明其性能优于现有方法，是社区检测领域的一个重要进展。