학위와 군집 계수를 결합하여 겹치는 커뮤니티 탐지를 최적화하는 지역 확장 알고리즘

커뮤니티 구조는 복잡한 네트워크의 가장 중요한 특성 중 하나로, 사회학, 생물학 및 컴퓨터 과학에 중요한 응용 프로그램이 있습니다. 지역 확장에 기반한 커뮤니티 탐지 방법은 가장 적응력이 뛰어난 겹치는 커뮤니티 탐지 알고리즘 중 하나입니다. 그러나 효과적인 시드 선택 및 커뮤니티 최적화 방법의 부족으로 인해 이 알고리즘은 종종 낮은 정확도의 커뮤니티 결과를 도출합니다. 이러한 문제를 해결하기 위해 우리는 융합 학위 및 군집 계수의 시드 선택 알고리즘을 제안합니다. 이 방법은 엔트로피 가중치 방법을 사용하여 학위 및 군집 계수에 해당하는 가중치 값을 계산한 다음, 노드의 가중치 요소를 시드 노드 선택 순서로 계산합니다. 시드 선택 알고리즘을 기반으로, 우리는 커뮤니티를 확장하기 위해 적응형 기능을 최적화하는 전략을 사용하는 지역 확장 전략을 설계합니다. 마지막으로, 최종 커뮤니티를 얻기 위해 커뮤니티 병합 및 고립 노드 조정 전략을 채택합니다. 실험 결과는 제안된 알고리즘이 다른 최신 알고리즘보다 더 나은 커뮤니티 분할 결과를 달성할 수 있음을 보여줍니다.