تشخیص جامعه با استفاده از گره‌های مرزی در شبکه‌های پیچیده ​ ​

ما یک الگوریتم شناسایی محلی جدید را پیشنهاد می‌کنیم که جوامع را با شناسایی خطوط مرزی بین آن‌ها با استفاده از گره‌های مرزی می‌یابد.روش ما انتشار برچسب برای تشخیص جامعه است، که در آن نودها براساس بیشترین ((امتیاز سودمند)) که توسط همسایگان مشترک به عنوان یک الگو برای جوامع خود به نمایش گذاشته می‌شوند، تصمیم می‌گیرند.ما معیارهای متفاوتی را امتحان می‌کنیم و دریافتیم که استفاده از تعداد همسایه‌های عادی به عنوان امتیاز سودمندی، منجر به تصمیمات بهتر برای ساختار جامعه می‌شود.الگوریتم پیشنهادی یک رویکرد محلی دارد و تنها بر روی گره‌های مرزی در طول تکرارهای تکثیر برچسب تمرکز می‌کند، که گام‌های غیرضروری را حذف می‌کند و زمان اجرای کلی را کوتاه می‌کند.این مجموعه جوامع کوچک و همچنین سازمان‌های بزرگ را حفظ می‌کند و می‌تواند از لحاظ کیفیت جوامع شناسایی‌شده، به ویژه زمانی که ساختار جامعه دقیق باشد، بهتر از سایر الگوریتم‌ها عمل کند.این الگوریتم ماهیتی توزیعی دارد و می‌تواند در شبکه‌های بزرگ به شکلی موازی مورد استفاده قرار گیرد.

We propose a new local community detection algorithm that finds communities by identifying borderlines between them using boundary nodes. Our method performs label propagation for community detection, where nodes decide their labels based on the largest “benefit score” exhibited by their immediate neighbors as an attractor to their communities. We try different metrics and find that using the number of common neighbors as benefit scores leads to better decisions for community structure. The proposed algorithm has a local approach and focuses only on boundary nodes during iterations of label propagation, which eliminates unnecessary steps and shortens the overall execution time. It preserves small communities as well as big ones and can outperform other algorithms in terms of the quality of the identified communities, especially when the community structure is subtle. The algorithm has a distributed nature and can be used on large networks in a parallel fashion.