دانلود ترجمه مقاله الگوریتم انتشار برچسب برای تشخیص جامعه براساس اهمیت گره

1. مقدمه 2. پژوهش های مرتبط 2.1. الگوریتم انتشار برچسب برای تشخیص جامعه در شبکه ها 2.2. الگوریتم محاسبه اهمیت گره براساس شبکه بیزی 3. روش پیشنهادی 3.1. نظریه اساسی 3.2. مراحل الگوریتم LPA-NI 3.3. تجزیه و تحلیل پیچیدگی 4. آزمایش ها و تجزیه و تحلیل 4.1. مجموعه داده های آزمایش 4.2. معیارهای ارزیابی 4.3. نتیجه آزمایش 5. نتیجه گیری

چکیده – اخیراً تشخیص جامعه با کیفیت به بحث داغی در حوزه تحقیقات شبکه اجتماعی تبدیل شده است. الگوریتم انتشار برچسب (LPA) به خاطر مزایایی که دارد مورد توجه زیادی قرار گرفته است، از جمله اینکه پیچیدگی زمانی خطی دارد و نیازی نیست تابع هدف و تعداد جامعه از قبل معلوم باشد. با این حال، عیب LPA نااطمینانی و تصادفی بودن در فرآیند انتشار برچسب است که دقت و پایایی جامعه را تحت تاثیر قرار می دهد. در این مقاله الگوریتم جدید انتشار برچسب برای تشخیص جامعه براساس اهمیت گره و تاثیر برچسب (LPA-NI) به منظور شبکه اجتماعی بزرگ پیشنهاد شده است. آزمایش هایی که روی شبکه های دنیای واقعی و شبکه های مصنوعی صورت گرفته است نشان می دهد که LPA-IN می تواند در حد معنی داری کیفیت تشخیص جامعه را بهبود دهد و دوره تکرار را کوتاه سازد. هم چنین دقت و پایایی بهتری با پیچیدگی مشابه دارد.

Recently, the detection of high-quality community has become a hot spot in the research of social network. Label propagation algorithm (LPA) has been widely concerned since it has the advantages of linear time complexity and is unnecessary to define objective function and the number of community in advance. However, LPA has the shortcomings of uncertainty and randomness in the label propagation process, which affects the accuracy and stability of the community. For large-scale social network, this paper proposes a novel label propagation algorithm for community detection based on node importance and label influence (LPA_NI). The experiments with comparative algorithms on real-world networks and synthetic networks have shown that LPA_NI can significantly improve the quality of community detection and shorten the iteration period. Also, it has better accuracy and stability in the case of similar complexity.