A framework for detecting communities of unbalanced sizes in networks

تشخیص جامعه در شبکه های بزرگ تمرکز پژوهش های اخیر در بسیاری از زمینه ها، از جمله زیست شناسی، فیزیک، علوم اجتماعی و علوم رایانه است. بیشتر روش های تشخیص جامعه کل شبکه را به جوامع، گروه هایی از گره ها که ارتباطات زیادی در جوامع دارند و ارتباطات کمی بین آنها را پنهان می کنند و نقش های مختلفی را که گره ها در جوامع می توانند شناسایی کنند، پنهان نمی کنند. ما یک مدل تشخیص جامعه پیشنهاد می دهیم که مابعدالطبیعه های مختلفی را ایجاد می کند که می توانند جوامع با اندازه ها و تراکم های مختلف را شناسایی کنند. ما از مرکزیت درجه گره، شباهت قوی با یک گره از جامعه، شباهت حداکثر گره به جامعه، فشرده سازی جوامع و جدایی بین جوامع استفاده می کنیم. هر اندازه گیری قدرت و ضعف خود را دارد. بنابراین، ترکیب اقدامات مختلف می تواند از نقاط قوت هر یک از نفع و از بین بردن مشکلات مواجه با استفاده از یک اندازه گیری فردی. ما یک الگوریتم توسعه سریع محلی برای کشف جوامع با اندازه و تراکم های مختلف ارائه می دهیم و اطلاعات غنی را در شبکه های ورودی نشان می دهد. نتایج تجربی نشان می دهد که الگوریتم پیشنهادی بهتر یا همانند سایر الگوریتم های تشخیص محلی برای هر دو شبکه دنیای واقعی و مصنوعی موثر است، در حالی که نیاز به زمان کمتری دارد.