Détection de communautés dans un réseau complexe basée sur un algorithme aléatoire amélioré utilisant des informations de réseau locales et globales
- Revue : Journal of Network and Computer Applications (JNCA)
- Facteur d’impact (2021) : 7.574 - Q1
- CiteScore (2021) : 15.7
- Classement en informatique, génie logiciel (2021) : 8/110
- DOI : https://doi.org/10.1016/j.jnca.2022.103492
Résumé :
De nos jours, il existe de nombreux types de réseaux complexes et comprendre la topologie et les fonctions de ces réseaux nous permet d’en tirer des informations précieuses. À cet égard, la détection de communautés est un domaine de recherche important qui divise le graphe du réseau en plusieurs sous-ensembles de nœuds de réseau appelés communautés. Les nœuds inclus dans chaque communauté communiquent densément entre eux et communiquent peu avec les nœuds en dehors de cette communauté. Dans cet article, nous proposons une nouvelle méthode de détection de communautés qui utilise des informations de réseau locales et globales résultant en une faible complexité et une grande précision. Notre proposition est basée sur notre architecture identifiée composée de quatre composants : le prétraitement, la composition de communautés primaires, la fusion de communautés et la sélection de la meilleure structure de communauté. Dans le premier composant, nous identifions et stockons des mesures de similarité et attribuons des poids appropriés aux nœuds et liens du réseau en fonction des informations locales du réseau. Ensuite, le deuxième composant considère les mesures de similarité pour composer une structure de communauté primaire basée sur un algorithme aléatoire amélioré par les poids des nœuds. Dans le troisième composant, nous fusionnons les communautés primaires pour obtenir différentes structures de communauté. Enfin, le quatrième composant sélectionne la meilleure structure de communauté en considérant les fonctions d’évaluation calculées en fonction des informations de réseau locales et globales. Nous évaluons notre proposition sur différents cas de réseaux réels et artificiels. Les résultats montrent que notre proposition peut détecter des communautés similaires aux communautés réelles et possède des fonctions d’évaluation acceptables et efficaces dans tous les réseaux de toute taille et type par rapport aux autres propositions.
Figures :
