دانلود ترجمه مقاله الگوریتم با زمان تقریباً خطی در تشخیص ساختارهای جامعه

1. مقدمه 2. تعریف ها و کارهای مرتبط قبلی 3. تشخیص جامعه با استفاده از انتشار برچسب 4. ارزیابی الگوریتم تشخیص جامعه 5. پیچیدگی زمانی 6. بحث و نتیجه گیری

چکیده – تشخیص و تحلیل جامعه، متدولوژی مهمی برای شناخت ساختار شبکه های مختلف دنیای واقعی محسوب می شود و در مسائل گوناگونی مثل رسیدن به اتفاق نظر در جوامع اجتماعی یا در شناسایی مدول های کاربردی در شبکه های بیوشیمیایی کاربرد دارد. الگوریتم هایی که در حال حاضر بکار می روند و ساختارهای جامعه را در شبکه های بزرگ تشخیص می دهند به اطلاعات قبلی مثل تعداد و اندازه جوامع نیاز دارند یا از نظر محاسباتی هزینه بالایی دارند. در این مقاله الگوریتم ساده انتشار برچسب را بررسی می کنیم که فقط از ساختار شبکه به عنوان راهنما استفاده می کند و به بهینه سازی تابع هدف از پیش تعریف شده یا اطلاعات قبلی درباره جوامع نیاز ندارد. در الگوریتم ما هر گره با برچسب منحصر فردی آغاز می شود و در هر مرحله گره برچسبی را بکار می گیرد که بیشتر همسایه هایش در حال حاضر آن برچسب را دارند. در این فرآیند تکراری گروه هایی از گره ها که به طور فشرده به هم متصل هستند درباره برچسب منحصر به فرد به اتفاق نظر می رسند تا جوامع را تشکیل دهند. ما با بکارگیری الگوریتم در شبکه هایی که ساختارهای جوامع در آنها معلوم است، این الگوریتم را ارزیابی می کنیم. هم چنین نشان می دهیم که الگوریتم زمان تقریبا خطی دارد و در نتیجه از نظر محاسباتی به هزینه ای کمتر از آنچه که تاکنون ممکن بود، نیاز دارد.

Community detection and analysis is an important methodology for understanding the organization of various real-world networks and has applications in problems as diverse as consensus formation in social communities or the identification of functional modules in biochemical networks. Currently used algorithms that identify the community structures in large-scale real-world networks require a priori information such as the number and sizes of communities or are computationally expensive. In this paper we investigate a simple label propagation algorithm that uses the network structure alone as its guide and requires neither optimization of a pre-defined objective function nor prior information about the communities. In our algorithm every node is initialized with a unique label and at every step each node adopts the label that most of its neighbors currently have. In this iterative process densely connected groups of nodes form a consensus on a unique label to form communities. We validate the algorithm by applying it to networks whose community structures are known. We also demonstrate that the algorithm takes an almost linear time and hence it is computationally less expensive than what was possible so far.