Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Computing
Erschienen in: Computing 7/2017

04.11.2016

Community detection in networks using new update rules for label propagation

verfasst von: Krista Rizman Žalik

Erschienen in: Computing | Ausgabe 7/2017

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Detecting community structure clarifies the link between structure and function in complex networks and is used for applications in many disciplines. The Label Propagation Algorithm (LPA) has the benefits of nearly-linear running time and easy implementation, but it returns multiple resulting partitions over multiple runs. Following LPA, some new updating rules are proposed to detect communities in networks, which are based mainly on the almost strong definition of communities and the topological similarity. Experiments on more artificial and real social networks have demonstrated better performance of the proposed method compared with that of the community detection algorithms CNM, Cfinder and MEP on the quality of communities.
Vorheriger Artikel Testing and evaluation framework for virtualization technologies
Nächster Artikel A taxonomy of cross-language linking mechanisms in open source frameworks

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Porter MA, Onnela J-P, Mucha PJ (2009) Communities in networks. Not Am Math Soc 56:1082–1097, 1164–1166
2.
3.
Xia Z, Bu Z (2012) Community detection based on a semantic network. Knowl Based Syst 26:30–39CrossRef
4.
5.
Palla G, Derényi I, Farkas I, Vicsek T (2005) Uncovering the overlapping community structure of complex networks in nature and society. Nature 435:814–818CrossRef
6.
Radicchi F, Castellano C, Cecconi F, Loreto V, Parisi D (2004) Defining and identifying clusters in networks. Proc Natl Acad Sci USA 101(9):2658–2663CrossRef
7.
Bagrow J, Bolt E (2005) A local method for detecting communities. Phys Rev E 72:046108CrossRef
8.
Wu F, Huberman B (2004) Finding communities in linear time: a physics approach. Eur Phys J B 38:331–338CrossRef
9.
Medus AD, Dorso CO (2009) Alternative approach to community detection in networks. Phys Rev E 79:066111CrossRef
10.
11.
Clauset A, Newman MEJ, Moore C (2004) Finding community structure in very large networks. Phys Rev E 70(6):066111CrossRef
12.
Rosvall M, Bergstrom CT (2007) Maps of random walks on complex networks reveal community structure. Proc Natl Acad Sci USA 105:1118–1123
13.
Ronhovde P, Nussinov Z (2010) Local resolution-limit-free Potts model for community detection. Phys Rev E 81:046114CrossRef
14.
Ball B, Karrer B, Newman MEJ (2011) Efficient and principled method for detecting communities in networks. Phys Rev E 84:036103CrossRef
15.
Rizman Žalik K, Žalik B (2014) A local multiresolution algorithm for detecting communities of unbalanced structures. Phys A Stat Mech Appl 407:380–393
16.
Raghavan UN, Albert R, Kumara S (2007) Near linear time algorithm to detect communities in large-scale networks. Phys Rev E 76(3):036106CrossRef
17.
Barber MJ, Clark JW (2009) Detecting network communities by propagating labels under constraints. Phys Rev E 80:026129CrossRef
18.
Liu X, Murata T (2010) Advanced modularity-specialized label propagation algorithm for detecting communities in networks. Phys A Stat Mech Appl 389(7):1493–1500CrossRef
19.
Schuetz P, Caflisch A (2008) Efficient modularity optimization by multistep greedy algorithm and node refinement. Phys Rev E 77:046112CrossRef
20.
Lancichinetti A, Fortunato S (2012) Consensus clustering in complex networks. Scientific Reports 2. Article number: 336
21.
This data are from Add Health, a program project by Udry J., Bearman S., Harris, Kathleen Mullan, and funded by a grant P01-HD31921 from the National Institute of Child Health and Human Development, Persons interested in obtaining data files from Add Health should contact Add Health, Carolina Population Center, (addhealth@unc.edu)
22.
Zachary WW (1977) An information flow model for conflict and fission in small groups. J Anthropol Res 33:452–473CrossRef
23.
Arenas A, Díaz-Guilera A, Pérez-Vicente CJ (2006) Synchronization reveals topological scales in complex networks. Phys Rev Lett 96:114102
24.
Lancichinetti A, Fortunato S, Radicchi F (2008) Benchmark graphs for testing community detection algorithms. Phys Rev E 78(4):046110CrossRef
25.
26.
Lusseau D, Schneider K, Boisseau OJ, Haase P, Slooten E, Dawson SM (2003) The bottlenose dolphin community of Doubtful Sound features a large proportion of long-lasting associations. Behav Ecol Sociobiol 54:396–405CrossRef
27.
Knuth DE (1993) The stanford graphbase: a platform for combinatorial computing. Addison-Wesley, ReadingMATH
28.
Zardi H, Ben Romdhane L, MARS (Modeling of Automated Reasoning Systems) Research Group (2013) An O(n2) algorithm for detecting communities of unbalanced sizes in large scale social networks. Knowl Based Syst 37:19–36
29.
Ding C, Xiaofeng H (2001) Spectral min max cut for graph partitioning and data clustering, PhD thesis, California University
30.
Brandes U, Gaertler M (2003) Experiments on graph clustering algorithms, in 11. European Symposium on Algorithms, pp. 568–579
Metadaten
Titel
Community detection in networks using new update rules for label propagation
verfasst von
Krista Rizman Žalik
Publikationsdatum
04.11.2016
Verlag
Springer Vienna
Erschienen in
Computing / Ausgabe 7/2017
Print ISSN: 0010-485X
Elektronische ISSN: 1436-5057
DOI
https://doi.org/10.1007/s00607-016-0524-7