دانلود ترجمه مقاله الگوریتم انتشار بر چسب براساس تاثیر مبتنی بر شواهد برای تشخیص جامعه توزیع شده

1. مقدمه و کارهای مرتبط 2. پیشینه تحقیق 2.1. الگوریتم LPA 2.2. تئوری توابع باور 3. روش پیشنهادی 3.1. یافتن جامعه هسته 3.2. فاز توسعه 4. نتایج تجربی 4.1. تست ها روی شبکه های مصنوعی 4.2. شبکه های دنیای واقعی 5. نتیجه گیری

چکیده – تشخیص جامعه در شبکه های اجتماعی از نظر محاسباتی کاری چالش برانگیز است و توجه محققان زیادی را در دهه اخیر به خود جلب کرده است. بیشتر مقالات در این حوزه فقط بر مدل سازی ویژگی های ساختاری تمرکز کرده اند و جنبه اجتماعی در روابط بین کاربران را نادیده گرفته اند. بعلاوه، بیشتر این روش ها جوامع را یکی پس از دیگری و به صورت سری یا نوبتی تشخیص می دهند. به همین دلیل چند مدل سعی کرده اند کار تشخیص را موازی سازی کنند. متاسفانه داده های شبکه های اجتماعی غالبا وابستگی درجه بالا دارند که کار موازی سازی را دشوارتر می سازد. برای رفع این مشکل، از میان روش های پیشنهادی برای تشخیص جامعه توزیع شده، الگوریتم انتشار برچسب (LPA) به دلیل بازدهی زمانی، روش موثری شناخته شده است. در واقع LPA پایایی ضعیف دارد و دچار جامعه هیولایی است. در این مقاله الگوریتم LPA جدیدی برای تشخیص جامعه توزیع شده براساس تئوری شواهد ارائه می شود که در بررسی اطلاعات راندمان بالایی نشان داده است. در این مدل از توابع باور در به روز رسانی برچسب ها و انتشار آنها استفاده می شود تا کیفیت جواب های محاسبه شده با LPA استاندارد بهبود یابد. در این مدل تخصیص انبوه و میزان معقول بودن بر اساس تاثیر اجتماعی برای تشخیص برچسب دامنه هر گره محاسبه می شود. آزمایش این مدل در دنیای واقعی و شبکه های LFR مصنوعی، کارآیی این الگوریتم را در مقایسه با پیشرفته ترین الگوریتم ها نشان می دهد.

Community detection in social networks is a computationally challenging task that has attracted many researchers in the last decade. Most of approaches in the literature focus only on modeling structural properties, ignoring the social aspect in the relations between users. Additionally, they detect the communities, one after another, in a serial manner. However, the size of actual real-world social networks grows exponentially which makes such approaches inefficient. For this, several models tend to parallelize the community detection task. Unfortunately, social networks data often exhibits a high degree of dependency which renders the parallelization task more difficult. To overcome this difficulty, amongst the proposed distributed community detection methods, the label propagation algorithm (LPA) emerges as an effective detection method due to its time efficiency. Despite this advantage in computational time, the performance of LPA is affected by randomness in the algorithm. Indeed, LPA suffers from poor stability and occurrence of monster community. This paper introduces a new LPA algorithm for distributed community detection based on evidence theory which has shown a high efficiency in handling information. In our model, we will use the belief functions in the update of labels as well as in their propagation in order to improve the quality of the solutions computed by the standard LPA. The mass assignments and the plausibility, in our model, are computed based on the social influence for detecting the domain label of each node. Experimentation of our model on real-world and artificial LFR networks shows its efficiency compared to the state of the art algorithms.