ارائه یک روش تشخیص سریع و قوی جامعه محلی با شروع از گره های درجه پایین در شبکه های اجتماعی

تشخیص جامعه یک روش مناسب برای کشف و درک ساختار و اطلاعات پنهان در شبکه های پیچیده است. یکی از مهم ترین مسائل در مساله تشخیص جامعه، پیچیدگی زمانی پایین الگوریتم و در عین حال حفظ دقت الگوریتم است که در شبکه های بزرگ مانند شبکه های اجتماعی مهم است. الگوریتم های تشخیص جامعه محلی سعی می کنند از اطلاعات محلی استفاده کنند و نتایج قابل قبولی در یک زمان معقول ارائه دهند. در الگوریتم پیشنهادی، تشخیص جامعه محلی از گره های درجه پایین با تخصیص برچسب به روش انتشار چند سطحی، با پیچیدگی زمانی کم قابل توجه آغاز می شود. در مرحله اول الگوریتم پیشنهادی، ابتدا برچسب جامعه به گره با درجه ۱ و همسایه مستقیم و همسایه سطح دوم آن اختصاص داده می شود. در واقع، ما از این واقعیت استفاده کردیم که افراد با تعداد همسایه های کم تر به احتمال زیاد به جوامع مختلف متصل نیستند. سپس، یک برچسب جامعه به ترتیب برای گره های با درجه ۲، ۳ و غیره اختصاص داده می شود. در مرحله دوم، جوامع اولیه با استفاده از یک استراتژی ساده و سریع جدید ادغام می شوند تا جوامع نهایی را تشکیل دهند. علاوه بر این، هیچ ماهیت تصادفی در الگوریتم و همچنین پارامتر قابل تنظیم وجود ندارد. بنابراین، نتایج به دست آمده ثبات معنی داری را برای روش پیشنهادی نشان می دهد. آزمایش ها بر روی شبکه های مصنوعی برای ارزیابی عملکرد و دقت الگوریتم پیشنهادی انجام می شود. نتایج نشان می دهد که الگوریتم پیشنهادی به طور قابل توجهی دقیق تر از الگوریتم های پیشرفته دیگر است. علاوه بر این، به طور قابل توجهی سریع تر از الگوریتم های محلی دیگر مانند LPA، LCCD، NIBLPA، DA، RTLCD، Lovain، G - CN، Infomap و ECES در شبکه های بزرگ مقیاس است.

کلیدواژه ها:

تشخیص جامعه ، شباهت محلی ، انتشار برچسب ، گره های درجه پایین ، شبکه های اجتماعی