An overlapping community detection algorithm based on local community and information flow expansion (LCFE) in weighted directed networks
Notice bibliographique
Résumé
Community detection has gained much attention during the past few decades. So many algorithms have been developed to tackle this problem. In previous related works the weight of the edges and directionality were not considered at the same time in the models. Considering weights and directionality makes the models more realistic and prevents the loss of information in the network. In this article, we propose an overlapping community detection algorithm for networks with weighted and directed edges. We used the concept of information flows among the vertices i.e. the more flows exist in a community, the stronger the community. We implemented the concept of flow using weighted closed flows starting from a given node and ending to the same node. By using the mentioned assumption we developed a new modularity measure called weighted flow modularity (WFM) based on M function modularity. In addition, we developed an overlapping score criteria which considers overlap in vertices and edges at the same time and is much faster in the terms of run time. We compared the community detection results in terms of accuracy and running time with Order statistics local optimization method (OSLOM) on 74 LFR benchmark networks using normalized mutual information score. We also implemented the community detection process using LCFE on real world datasets and evaluated the community detection results using EQ measure. The experimental analysis results show that the LCFE is more accurate in most cases and is competitive in other cases with OSLOM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».