使用纳什动态进行社区检测的高效同嗜模型与算法
社会与信息网络
2016-02-17 v2 物理与社会
摘要
社区检测问题很重要，因为它有助于理解信息在社交网络中的传播。所有真实复杂网络都有一个内置结构，捕获并表征其节点之间的网络动态。链接更可能在相似节点之间形成，导致表征网络动态的某些社区结构的形成。他们共有的朋友越多，每个人可以施加在彼此身上的影响就越大。我们提出了一种不相交社区检测算法，NashDisjoint，用于检测任何给定网络中的不相交社区。我们在标准 LFR 基准上评估算法 NashDisjoint，我们发现我们的算法在所有情况下对于小于 0.55 的混合因子至少与最先进算法一样好。我们提出了一种重叠社区检测算法 NashOverlap，用于检测任何给定网络中的重叠社区。我们在标准 LFR 基准上评估算法 NashOverlap，我们发现我们的算法在大约 152 种不同场景中远优于最先进算法，这些场景通过变化节点数、混合因子和重叠成员资格生成。我们在 DBLP 数据集上运行我们的算法 NashOverlap 以检测大型协作组，并发现了非常有趣的结果。此外，这些我们的算法在 DBLP 协作网络上的结果与 COPRA 算法和 OSLOM 的结果进行了比较。
引用
@article{arxiv.1506.05659,
title = {An Efficient homophilic model and Algorithms for Community Detection using Nash Dynamics},
author = {Radhika Arava},
journal= {arXiv preprint arXiv:1506.05659},
year = {2016}
}
备注
The paper is not well-written. I would like to update the paper after it is published, so that it will be more useful to the community