Ein lokaler erweiterter Algorithmus kombiniert mit Grad und Clusterkoeffizient zur Optimierung der Erkennung überlappender Gemeinschaften

Die Gemeinschaftsstruktur ist eines der wichtigsten Merkmale komplexer Netzwerke, mit bedeutenden Anwendungen in der Soziologie, Biologie und Informatik. Die auf lokaler Expansion basierende Methode zur Gemeinschaftserkennung ist einer der anpassungsfähigsten Algorithmen zur Erkennung überlappender Gemeinschaften. Aufgrund des Mangels an effektiven Methoden zur Saatgutauswahl und Gemeinschaftsoptimierung erzielt der Algorithmus jedoch häufig Gemeinschaftsergebnisse mit geringerer Genauigkeit. Um diese Probleme zu lösen, schlagen wir einen Algorithmus zur Saatgutauswahl vor, der den Fusionsgrad und den Clusterkoeffizienten berücksichtigt. Die Methode berechnet den Gewichtungswert, der dem Grad und dem Clusterkoeffizienten durch das Entropie-Gewichts-Methode entspricht, und berechnet dann den Gewichtungsfaktor der Knoten als Reihenfolge der Saatgutauswahl. Basierend auf dem Algorithmus zur Saatgutauswahl entwerfen wir eine lokale Expansionsstrategie, die die Strategie zur Optimierung der adaptiven Funktion verwendet, um die Gemeinschaft zu erweitern. Schließlich werden Strategien zur Gemeinschaftsverschmelzung und Anpassung isolierter Knoten übernommen, um die endgültige Gemeinschaft zu erhalten. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Algorithmus bessere Gemeinschaftsaufteilungsergebnisse als andere moderne Algorithmen erzielen kann.