ترجمه فارسی مقاله افزایش تشخیص جامعه در شبکه ها: تحلیل مقایسه ای معیارهای محلی و الگوریتم های سلسله مراتبی

چکیده

The analysis and detection of communities in network structures are becoming increasingly relevant for understanding social behavior. One of the principal challenges in this field is the complexity of existing algorithms. The Girvan-Newman algorithm, which uses the betweenness metric as a measure of node similarity, is one of the most representative algorithms in this area. This study employs the same method to evaluate the relevance of using local similarity metrics for community detection. A series of local metrics were tested on a set of networks constructed using the Girvan-Newman basic algorithm. The efficacy of these metrics was evaluated by applying the base algorithm to several real networks with varying community sizes, using modularity and NMI. The results indicate that approaches based on local similarity metrics have significant potential for community detection.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل و تشخیص جوامع در ساختارهای شبکه برای درک رفتار اجتماعی به طور فزاینده ای اهمیت می یابد.یکی از اصلی ترین چالش های موجود در این زمینه ، پیچیدگی الگوریتم های موجود است.الگوریتم Girvan-Newman ، که از متریک بینتی به عنوان اندازه گیری شباهت گره استفاده می کند ، یکی از نماینده ترین الگوریتم های این زمینه است.این مطالعه از همان روش برای ارزیابی ارتباط استفاده از معیارهای شباهت محلی برای تشخیص جامعه استفاده می کند.مجموعه ای از معیارهای محلی بر روی مجموعه ای از شبکه های ساخته شده با استفاده از الگوریتم اساسی Girvan-Newman مورد آزمایش قرار گرفت.اثربخشی این معیارها با استفاده از الگوریتم پایه در چندین شبکه واقعی با اندازه جامعه متفاوت ، با استفاده از مدولار و NMI مورد بررسی قرار گرفت.نتایج نشان می دهد که رویکردهای مبتنی بر معیارهای شباهت محلی پتانسیل قابل توجهی برای تشخیص جامعه دارند.