Trong những năm gần đây, với sự phát triển mạnh mẽ của công nghệ thông tin, việc phát hiện cộng đồng trong mạng thực lớn là vấn đề rất quan trọng, được nhiều nhà khoa học quan tâm nghiên cứu. Việc phát hiện cộng đồng trong các mạng thực lớn với hàng triệu nút thường khó khăn. Để giải quyết vấn đề này, nhiều thuật toán tìm kiếm cộng đồng mạng đã được đề xuất với nhiều cách tiếp cận khác nhau. Một trong những cách tiếp cận là tọa độ các đỉnh của đồ thị và xây dựng khoảng cách hợp lý giữa các đỉnh đó. Chúng tôi quan sát thấy rằng các đỉnh trong cùng một cộng đồng có xác suất đi đến các đỉnh khác là gần như nhau thông qua bước đi ngẫu nhiên. Dựa trên nguyên tắc này, chúng tôi đề xuất một cách toạ độ hoá các đỉnh và xây dựng khoảng cách giữa các đỉnh trong đồ thị làm giảm độ phức tạp tính toán so với các kỹ thuật hiện có. Cách tiếp cận này liên quan đến việc biểu diễn các đỉnh dưới dạng vectơ và sử dụng thuật toán K-means++ để phát hiện cộng đồng, được đánh giá tính hiệu quả qua một số kết...
Trong những năm gần đây, với sự phát triển mạnh mẽ của công nghệ thông tin, việc phát hiện cộng đồng trong mạng thực lớn là vấn đề rất quan trọng, được nhiều nhà khoa học quan tâm nghiên cứu. Việc phát hiện cộng đồng trong các mạng thực lớn với hàng triệu nút thường khó khăn. Để giải quyết vấn đề này, nhiều thuật toán tìm kiếm cộng đồng mạng đã được đề xuất với nhiều cách tiếp cận khác nhau. Một trong những cách tiếp cận là tọa độ các đỉnh của đồ thị và xây dựng khoảng cách hợp lý giữa các đỉnh đó. Chúng tôi quan sát thấy rằng các đỉnh trong cùng một cộng đồng có xác suất đi đến các đỉnh khác là gần như nhau thông qua bước đi ngẫu nhiên. Dựa trên nguyên tắc này, chúng tôi đề xuất một cách toạ độ hoá các đỉnh và xây dựng khoảng cách giữa các đỉnh trong đồ thị làm giảm độ phức tạp tính toán so với các kỹ thuật hiện có. Cách tiếp cận này liên quan đến việc biểu diễn các đỉnh dưới dạng vectơ và sử dụng thuật toán K-means++ để phát hiện cộng đồng, được đánh giá tính hiệu quả qua một số kết quả thực nghiệm được trình bày.