Overlapping community detection using a generative model for networks

تشخیص جوامع همپوش یک کار چالش برانگیز در تحلیل شبکه هاست، جایی که گره ها ممکن است متعلق به بیش از یک جامعه باشند. بسیاری از روش های حاضر، توابع کیفیت را بهینه می کنند تا جوامع را از یک شبکه استخراج کنند. در این مقاله، یک روش احتمالاتی برای تشخیص جوامع با هم تداخل با استفاده از یک مدل نسبی ارائه می کنیم. این مدل احتمال ایجاد شبکه را با پارامترهای مدل نشان می دهد که جوامع را در شبکه نشان می دهد. عضویت جامعه از هر گره براساس یک رویکرد احتمالاتی با استفاده از آن پارامترهای مدل تعیین می شود که مقادیر آن می تواند با قرار دادن مدل در شبکه به دست آید. این روش دارای مزیتی است که سطح مشارکت گره در هر جامعه نیز محاسبه می شود. روش پیشنهادی با برخی دیگر از روش های تشخیص جامعه در هر دو شبکه های مصنوعی و شبکه های دنیای واقعی مقایسه می شود. آزمایشات نشان می دهد که این روش در تشخیص جوامع با هم تداخل موثر است و می تواند عملکرد بهتر را در شبکه هایی که اکثریت گره ها به بیش از یک جامعه متعلق است، ارائه دهد.