دانلود ترجمه مقاله الگوریتم انتشار برچسب بر مبنای تابع فشردگی وزنی

1. مقدمه 2. تحقیقات مرتبط 3. الگوریتم انتشار برچسب مبتنی بر تابع فشردگی وزنی 4. نتایج آزمایش و تحلیل 5. نتیجه گیری

چکیده – تشخیص جامعه در شبکه های پیچیده، تشخیص ساختار جامعه با ساختار داخلی نسبتاً فشرده و ساختار خارجی نسبتاً خلوت بر اساس رابطه توپولوژی بین گره های شبکه می باشد. در این مقاله یک تابع فشردگی ارائه می شود که وزن گره ها را ترکیب کرده و از آن به عنوان تابع هدف برای انجام انتشار برچسب گره استفاده می کند. در ابتدا بر اساس درجه گره، مجموعه گره های هسته را بدست می آوریم که تأثیر زیادی بر شبکه دارند. هرچه ارتباط بین گره های هسته و سایر گره ها بیشتر باشد، میزان اطلاعاتی که این گره های هسته دریافت و منتقل می کنند، بیشتر خواهد بود. پس بر اساس تشابه گره های بین مجموعه گره های هسته و درجه گره ها، اوزان به گره های شبکه تخصیص داده می شوند. پس برچسب گره هایی که تأثیر زیادی در روند انتشار برچسب دارند، اولویت خواهد داشت و در بهبود دقت انتشار برچسب تأثیر گذار است. تابع فشردگی بین گره ها و جامعه ها در این مقاله مبتنی بر تأثیر گره است. این تابع ارتباط بین گره ها و جامعه ها را ترکیب می کند که درجه گره آن متعلق به جامعه های همسایه بر اساس محاسبه وزن گره می باشد. این تابع استفاده مؤثری از اطلاعات گره ها و ارتباطات در شبکه به عمل می آورد. نتایج آزمایش نشان می دهد که الگوریتم پیشنهادی می تواند در شبکه مصنوعی و شبکه های واقعی در مقیاس بزرگ نسبت به 8 الگوریتم مقایسه به نتایج خوب دست یابد.

Community detection in complex networks, is to detect the community structure with the internal structure relatively compact and the external structure relatively sparse, according to the topological relationship among nodes in the network. In this paper, we propose a compactness function which combines the weight of nodes, and use it as the objective function to carry out the node label propagation. Firstly, according to the node degree, we find the sets of core nodes which have great influence on the network. The more the connections between the core nodes and the other nodes are, the larger the amount of the information these kernel nodes receive and transform. Then, according to the similarity of the nodes between the core nodes sets and the nodes degree, we assign weights to the nodes in the network. So the label of the nodes with great influence will be the priority in the label propagation process, which effectively improves the accuracy of the label propagation. The compactness function between nodes and communities in this paper is based on the nodes influence. It combines the connections between nodes and communities with the degree of the node belongs to its neighbor communities based on calculating the node weight. The function effectively uses the information of nodes and connections in the network. The experimental results show that the proposed algorithm can achieve good results in the artificial network and large-scale real networks compared with the 8 contrast algorithms.