view in publisher's site

Community Detection in Complex Networks Using Nonnegative Matrix Factorization and Density-Based Clustering Algorithm

Community detection is a critical issue in the field of complex networks. Capable of extracting inherent patterns and structures in high dimensional data, the non-negative matrix factorization (NMF) method has become one of the hottest research topics in community detection recently. However, this method has a significant drawback; most community detection methods using NMF require the number of communities to be preassigned or determined by searching for the best community structure among all candidates. To address the problem, in this paper, we use an improved density peak clustering to obtain the number of cores as the pre-defined parameter of nonnegative matrix factorization. Then we adopt nonnegative double singular value decomposition initialization which can rapidly reduce the approximation error of nonnegative matrix factorization. Finally, we compare and analyze the performance of different algorithms on artificial networks and real-world networks. Experimental results indicate that the proposed method is superior to the state-of-the-art methods.

تشخیص جامعه در شبکه‌های پیچیده با استفاده از Algorithm ماتریس nonnegative و الگوریتم خوشه‌بندی مبتنی بر چگالی

تشخیص جامعه مساله‌ای حیاتی در زمینه شبکه‌های پیچیده است. توانایی استخراج الگوهای ذاتی و ساختارها در داده‌های ابعادی بالا، تجزیه و تحلیل ماتریس غیر منفی (NMF)اخیرا به یکی از داغ‌ترین موضوعات در تشخیص جامعه تبدیل شده‌است. با این حال، این روش دارای یک عیب قابل‌توجه است؛ اغلب روش‌های تشخیص جامعه با استفاده از NMF نیازمند تعداد جوامع هستند که با جستجو برای بهترین ساختار جامعه در میان تمامی نامزدها تعیین یا تعیین می‌شوند. برای پرداختن به این مشکل، در این مقاله، از یک خوشه بیشینه چگالی بار بهبود یافته برای بدست آوردن تعداد هسته‌های به عنوان پارامتر قبل از تعریف of ماتریس nonnegative استفاده می‌کنیم. سپس ما مقداردهی اولیه decomposition را به کار می‌بریم که می‌تواند به سرعت خطای تقریبی تجزیه و تحلیل ماتریس nonnegative را کاهش دهد. در نهایت، ما عملکرد الگوریتم‌های مختلف در شبکه‌های مصنوعی و شبکه‌های دنیای واقعی را مقایسه و تحلیل می‌کنیم. نتایج تجربی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های هنری - of برتر است.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.