| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن | 
|---|---|---|---|---|
| 4972431 | 1451048 | 2017 | 40 صفحه PDF | دانلود رایگان | 
عنوان انگلیسی مقاله ISI
												An upper approximation based community detection algorithm for complex networks
												
											ترجمه فارسی عنوان
													الگوریتم تشخیص جامعه بر اساس تقریب بالا برای شبکه های پیچیده 
													
												دانلود مقاله + سفارش ترجمه
													دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
																																												کلمات کلیدی
												ساختار جامعه، شبکه های پیچیده الگوریتم تشخیص جامعه، جوامع همپوشانی، مدل همسایگی، مجموعه های خشن،
																																							
												ترجمه چکیده
												در این کار، ما یک الگوریتم مبتنی بر مجموعه ای جدید را ارائه می دهیم که قادر به کشف ساختار واقعی جامعه در شبکه ها می باشد، بدون آنکه پیوند، همپوشانی یا توزیع شود. مجموعه های اولیه گرانول ها با استفاده از اتصال محله در اطراف گره ساخته شده و به عنوان مجموعه های خشن نشان داده می شوند. در ادامه، تقریب بالایی از همبستگی محدود این مجموعه ها را تکرار می کنیم. برای محدود کردن مجموعه و ادغام آنها در طول هر تکرار، ما از مفهوم ارتباط نسبی در میان گره ها استفاده می کنیم. ما الگوریتم پیشنهادی را در یک شبکه اسباب بازی نشان می دهیم و آن را در چهارده شبکه های معیار واقعی دنیای واقعی ارزیابی می کنیم. نتایج تجربی نشان می دهد که الگوریتم پیشنهادی جوامع دقیق را نشان می دهد و به طور قابل توجهی از تکنیک های پیشرفته تر بهره می برد.
																							موضوعات مرتبط
												
													مهندسی و علوم پایه
													مهندسی کامپیوتر
													 سیستم های اطلاعاتی
												
											چکیده انگلیسی
												In this work, we propose a novel rough set based algorithm capable of uncovering true community structure in networks, be it disjoint, overlapping or nested. Initial sets of granules are constructed using neighborhood connectivity around the nodes and represented as rough sets. Subsequently, we iteratively obtain the constrained connectedness upper approximation of these sets. To constrain the sets and merge them during each iteration, we utilize the concept of relative connectedness among the nodes. We illustrate the proposed algorithm on a toy network and evaluate it on fourteen real-world benchmark networks. Experimental results show that the proposed algorithm reveals more accurate communities and significantly outperforms state-of-the-art techniques.
											ناشر
												Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 96, April 2017, Pages 103-118
											Journal: Decision Support Systems - Volume 96, April 2017, Pages 103-118
نویسندگان
												Pradeep Kumar, Samrat Gupta, Bharat Bhasker, 
											