چکیده فارسی :

جوامع یک ویژگی توپولوژیک همه جا شبکه های پیچیده را نشان می دهند ، و کشف ساختارهای جامعه از اهمیت اساسی برخوردار است. Conductance یک الگوریتم تشخیص برای جوامع با همپوشانی وزن با نتایج تقسیم با دقت بالا است. با این حال ، رابطه گره ها و همسایگان آنها در انتخاب جامعه اولیه در نظر گرفته نشده است ، که منجر به انتخاب اولیه غیر منطقی جامعه و دقت کمتری در کشف ساختار جامعه واقعی شبکه می شود. علاوه بر این ، الگوریتم ممکن است گره ها را از دست ندهد.

بر این اساس ، الگوریتم هدایت مقاومت لبه (ESCA) ارائه شده است ، که موضوعات مربوط به انتخاب اولیه غیر منطقی جامعه و گره های مفقود شده را با استفاده از مفاهیم استحکام لبه و درجه تعلقات حل می کند. آزمایشات نشان می دهد که برای هر دو شبکه بدون وزن و وزن ، ESCA گره ها را از دست نمی دهد ، و جوامع شناسایی شده در مقایسه با موارد به دست آمده توسط Conductance و COPRA ، به ساختار جامعه واقعی شبکه نزدیکترند ، الگوریتم انتشار همپوشانی دارد.

چکیده انگلیسی:

Communities represent an ubiquitous topological characteristic of complex networks, and discovering community structures is of fundamental importance. Conductance is a detection algorithm for weighted overlapping communities with high-accuracy division results; however, the relationship between the nodes and their neighbors is not considered in the selection of the initial community, which leads to unreasonable initial community selection and lower accuracy in discovering the real community structure of the network. In addition, the algorithm may miss nodes. Accordingly, the edge strength conductance algorithm (ESCA) is proposed, which resolves the issues of unreasonable initial community selection and missing nodes by using the concepts of edge strength and belonging degree. Experiments demonstrate that for both unweighted and weighted networks, ESCA does not miss nodes, and the detected communities are closer to the real network community structure compared with those obtained by Conductance and COPRA, the community overlap propagation algorithm.
INDEX TERMS: Complex networks   ,    community detection   ,   NMI   , overlapping community.