A model framework for the enhancement of community detection in complex networks

تشخیص جامعه یک مشکل مهم تجزیه و تحلیل داده ها در بسیاری از مناطق مختلف است و چگونگی افزایش کیفیت تشخیص جامعه در برنامه های کاربردی پیچیده واقعی هنوز یک چالش است. روش های پیشرفته تشخیص جامعه در حال حاضر اغلب به عنوان پیش پردازش تشخیص جامعه، بهبود می یابند. آنها عمدتا بر روی چگونگی طراحی شباهت مناسب توپولوژیکی گره ها برای تنظیم شبکه اصلی تمرکز می کنند، اما در نظر نگرفتن چگونگی استفاده از این شباهت های توپولوژیک به طور موثرتری را در نظر نگیرند. برای بهتر استفاده از اطلاعات مربوط به شباهت، ما یک چارچوب مدل پیشنهاد می کنیم که یکپارچه سازی آن را در کل فرایند تشخیص جامعه تقویت می کند. ابتدا، شباهت ساختاری گره ها را بر اساس توپولوژی شبکه محاسبه می کنیم. دوم، ما یک مدل تصادفی برای توصیف عضویت جامعه از گره ارائه می کنیم؛ ما سپس محدودیت قوی بر اساس شباهت ساختاری را مدلسازی میکنیم، یعنی هر گره ما یک توزیع اشتراکی مشترک با همسایگان مشابه خود داریم؛ و سپس ما محدودیت ضعیف را مدل می کنیم، به عنوان مثال، اگر دو گره یک شباهت بالا داشته باشند، توزیع های عضویت در انجمن شما را نزدیک می کنیم، در غیر این صورت ما آنها را نزدیک نمی کنیم. در نهایت، ما یک رویکرد تقسیم ماتریس غیرمستقیم برای یادگیری پارامترهای مدل ارائه می دهیم. ما روش ما را در هر دو شبکه مصنوعی و دنیای واقعی با حقایق زمین ارزیابی می کنیم و آن را با پنج روش قابل مقایسه مقایسه می کنیم. نتایج تجربی نشان می دهد عملکرد برتر روش جدید ما بر روی رقابت برای تشخیص و بهبود جامعه است.