چکیده فارسی :

ساختار جامعه یک ویژگی مهم توپولوژیکی بین شبکه ای پیچیده است که برای درک ویژگی های ساختاری و عملکردهای سازمانی در شبکه ها بسیار مهم است. ثابت شده است که روشهای گسترش محلی برای کشف جامعه کارآمد و مؤثر هستند.

با این حال ، نشان داده شده است که اشکالاتی ذاتی برای این روشها برای کشف جوامع با هم تداخل دارد. بیشتر روش ها به دانه های اولیه و پارامترهای داخلی حساس هستند ، در حالی که سایر موارد برای آشکار کردن همپوشانی های فراگیر کافی نیستند. در این مقاله ، ما یک روش توسعه محلی جدید برای کشف جوامع با همپوشانی بر اساس مرکزیت ساختاری پیشنهاد می کنیم.

ایده اصلی رویکرد ما یافتن مراکز ساختاری جوامع با مرکزیت ساختاری است و سپس گسترش این مراکز ساختاری با یک استراتژی وزنه بردار و یک روش جستجوی محلی. نتایج تجربی چه در شبکه های مصنوعی و چه در دنیای واقعی نشان می دهد که روش ما از نظر یافتن ساختارهای اجتماع با هم تداخل دارد مؤثر و امیدوار کننده است. ما همچنین نشان می دهیم که استراتژی های توسعه محلی ما در کشف خوشه های منسجم و تولید نتایج خوشهای پایدار مؤثر هستند.

چکیده انگلیسی:

Community structure is an important mesoscale topological characteristic of complex networks, which is significant for understanding structural features and organizational functions in networks. Local expansion methods have been proved to be efficient and effective for community detection. However, it has been shown that there are inherent drawbacks for these methods to uncover overlapping communities. Most methods are sensitive to initial seeds and built-in parameters, while others are inadequate to reveal the pervasive overlaps. In this paper, we propose a new local expansion method for uncovering overlapping communities based on structural centrality. The key idea of our approach is to locate structural centers of communities with the structural centrality, and then expand these structural centers with a weighted strategy and a local search procedure. Experimental results both on artificial and real-world networks demonstrate that our method is effective and promising in term of finding overlapping community structures. We also show that our local expansion strategies are efficient in uncovering cohesive clusters and producing stable clustering results.