کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
9952268 1444170 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Overlapping community detection using superior seed set selection in social networks
ترجمه فارسی عنوان
تشخیص همپوشانی جامعه با استفاده از انتخاب مجموعه ای از دانه های برتر در شبکه های اجتماعی
کلمات کلیدی
بذر تنظیم مرکزی، شبکه اجتماعی، همپوش کشف جامعه، دانه محور
ترجمه چکیده
کشف جامعه در شبکه اجتماعی یکی از مناطق بسیار پرطرفدار است که در میان یک محقق برای یک دهه گذشته سود بیشتری به دست آورده است. بسیاری از الگوریتم های موجود در حال حاضر وجود دارد. با این حال، الگوریتم های مبتنی بر بذر جدید یک ریزش در حال ظهور در این منطقه ایجاد می کنند. ایده اصلی این استراتژی ها شناسایی گره های استثنایی در شبکه داده شده است که بذر نامیده می شود، که در آن جوامع می توانند قرار بگیرند. این مقاله یک استراتژی ترکیبی برای تعیین مناسب دانه های مناسب با استفاده از اقدامات متمرکز مختلف و استفاده از آنها برای پیدا کردن جوامع همپوشان پیشنهاد می کند. بررسی الگوریتم در مورد صحت جوامع مشخص شده با کمک تراکم داخل خوشه ای و تراکم بین خوشه ای انجام شده است. در نهایت، زمان اجرا الگوریتم پیشنهاد شده با الگوریتم های تشخیص موجود در جامعه، نشان دهنده بهبود قابل ملاحظه ای است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
تشخیص همپوشانی جامعه با استفاده از انتخاب مجموعه ای از دانه های برتر در شبکه های اجتماعی
چکیده انگلیسی
Community discovery in the social network is one of the tremendously expanding areas which earn interest among researchers for past one decade. There are many already existing algorithms. However, new seed-based algorithms establish an emerging drift in this area. The basic idea behind these strategies is to identify exceptional nodes in the given network, called seeds, around which communities can be located. This paper proposes a blended strategy for locating suitable superior seed set by applying various centrality measures and using them to find overlapping communities. The examination of the algorithm has been performed regarding the goodness of the identified communities with the help of intra-cluster density and inter-cluster density. Finally, the runtime of the proposed algorithm has been compared with the existing community detection algorithms showing remarkable improvement.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Electrical Engineering - Volume 70, August 2018, Pages 1074-1083
نویسندگان
, , ,