چکیده فارسی :

اخیراً ، شبکه های پیچیده توجه تحقیقات قابل توجهی را به خود جلب کرده اند. تشخیص جامعه یک مشکل مهم در زمینه شبکه های پیچیده است و در کاربردهای متنوعی از جمله انتشار اطلاعات ، پیش بینی لینک ، توصیه و بازاریابی مفید است. در این مطالعه ، ما با استفاده از پارتیشن های پیوند ، بر کشف ساختارهای جامعه با هم همپوشانی داریم. ما یک روش تقسیم پیوندی (LBLP) مبتنی بر Latent Dirichlet (LDA) Latent (LBLP) را پیشنهاد می کنیم ، که می تواند جوامعی با طیف قابل تنظیم از همپوشانی پیدا کند. در این روش از مدل LDA برای شناسایی پارتیشن های پیوند استفاده شده است که می تواند عامل تعلق جامعه برای هر لینک را محاسبه کند. بر اساس این عامل ، پارتیشن های پیوندی با پیوندهای پل را می توان به طور مؤثر یافت. ما اثربخشی راه حل پیشنهادی را با استفاده از شبکه های واقعی و شبکه سنتز شده تأیید می کنیم. نتایج تجربی نشان می دهد که این رویکرد می تواند ساختار جامعه پیوندی معنی دار و مرتبط پیدا کند.

چکیده انگلیسی:

Recently, complex networks have attracted considerable research attention. Community detection is an important problem in the field of complex networks and is useful in a variety of applications such as information propagation, link prediction, recommendation, and marketing. In this study, we focus on discovering overlapping community structures by using link partitions. We propose a Latent Dirichlet Allocation (LDA)-Based Link Partition (LBLP) method, which can find communities with an adjustable range of overlapping. This method employs the LDA model to detect link partitions, which can calculate the community belonging factor for each link. On the basis of this factor, link partitions with bridge links can be found efficiently. We validate the effectiveness of the proposed solution by using both real-world and synthesized networks. The experimental results demonstrate that the approach can find a meaningful and relevant link community structure.
Key words: community detection ; overlapping community ; latent Dirichlet allocation ; link partition