Weighted modularity optimization for crisp and fuzzy community detection in large-scale networks

تشخیص جامعه یک کار کلاسیک و بسیار دشوار در زمینه تجزیه و تحلیل شبکه پیچیده است، به طور عمده برای کاربردهای آن در حوزه هایی مانند تجزیه و تحلیل شبکه های اجتماعی یا بیولوژیکی. یکی از فن آوری های به طور گسترده ای برای تشخیص جامعه در شبکه ها، حداکثر سازی تابع کیفیت شناخته شده به عنوان مدولار بودن است. با این حال، کار موجود ثابت کرده است که الگوریتم های حداکثر سازی ماژولار برای شناسایی جامعه ممکن است برای حل و فصل جوامع با اندازه کوچک شکست خورده است. در اینجا ما یک روش جدید تشخیص جامعه ارائه می دهیم که می تواند جوامع واضح و فازی را در شبکه های غیر مستقیم و بدون وزن با به حداکثر رساندن ماهیت وزن بدست آورد. الگوریتم وزنهای لبه های جدید را با استفاده از شباهت کوزینس به منظور حل مشکل محدودیت های رزولوشن می گیرد. سپس یک شبکه جدید بهینه سازی محلی مبتنی بر بهینه سازی ماژولاری وزن پیشنهاد می شود تا شبکه به روز شده را خوشه بندی کند. در نهایت، مجموعه ای از خوشه های بالقوه جذاب برای هر گره محاسبه می شود تا بیشتر پارتیشن فازی تکراری شبکه را کشف کند. ما برنامه های کاربردی الگوریتم را به مجموعه ای از شبکه های معیار مصنوعی و شش شبکه دنیای واقعی ارائه می دهیم و دریافت می کنیم که از نظر کیفیت و مقیاس پذیری، وضعیت فعلی طرح های هنری (حتی آنهایی که با هدف یافتن جوامع همپوشانی) بهتر عمل می کنند.