کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
5103304 | 1480107 | 2017 | 19 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Evolutionary link community structure discovery in dynamic weighted networks
ترجمه فارسی عنوان
کشف ساختار جامعه پیوند تکاملی در شبکه های وزن دهی پویا
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
پیوند ساختار جامعه، شبکه های پویا، شبکه های وزن تکامل جامعه،
ترجمه چکیده
روش های تشخیص جامعه سنتی اغلب در تجزیه و تحلیل شبکه های استاتیک محدود می شود. در حقیقت، بسیاری از شبکه ها در دنیای واقعی به وضوح ویژگی های پویا را با گذر زمان نشان می دهند. در این مقاله، ما یک الگوریتم کشف ساختار پیوند جامعه در شبکه های وزن دهی پویا را طراحی می کنیم که می تواند نه تنها ساختار جامعه پیوند تکاملی را نشان می دهد، بلکه همچنین جوامع همپوشانی را بوسیله نقشه زدن جوامع پیوند به جوامع گره تشخیص می دهد. در همین حال، الگوریتم ما همچنین می تواند ساختار سلسله مراتبی جوامع پیوند را با تنظیم یک پارامتر دریافت کند. الگوریتم پیشنهادی براساس تناسب وزن لبه و تراکم پارتیشن وزن است تا اینکه تعیین کند که آیا یک پیوند به یک جامعه اضافه شود و یا اینکه دو انجمن را برای تشکیل یک انجمن پیوند جدید، ادغام کند. آزمایشات در هر دو شبکه مصنوعی و دنیای واقعی نشان می دهد که الگوریتم پیشنهادی می تواند ساختار جامعه پیوند تکاملی را در شبکه های وزن دهی پویا به طور موثر تشخیص دهد.
موضوعات مرتبط
مهندسی و علوم پایه
ریاضیات
فیزیک ریاضی
چکیده انگلیسی
Traditional community detection methods are often restricted in static network analysis. In fact, most of networks in real world obviously show dynamic characteristics with time passing. In this paper, we design a link community structure discovery algorithm in dynamic weighted networks, which can not only reveal the evolutionary link community structure, but also detect overlapping communities by mapping link communities to node communities. Meanwhile, our algorithm can also get the hierarchical structure of link communities by tuning a parameter. The proposed algorithm is based on weighted edge fitness and weighted partition density so as to determine whether to add a link to a community and whether to merge two communities to form a new link community. Experiments on both synthetic and real world networks demonstrate the proposed algorithm can detect evolutionary link community structure in dynamic weighted networks effectively.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 466, 15 January 2017, Pages 370-388
Journal: Physica A: Statistical Mechanics and its Applications - Volume 466, 15 January 2017, Pages 370-388
نویسندگان
Qiang Liu, Caihong Liu, Jiajia Wang, Xiang Wang, Bin Zhou, Peng Zou,