With the continuous increase of the network scale, the structure of the network has also become complicated. The original community discovery algorithm based on small-scale static networks has been unable to meet our needs. In order to improve the quality of community division, community discovery algorithms based on multiple optimization functions have been proposed. These multiobjective algorithms have continued to increase in time complexity as the optimization functions increase. The time complexity of the multiobjective community discovery algorithm is reduced, and the particle swarm algorithm has higher efficiency and accuracy in solving multiobjective optimization (MOO) problems. Based on the above background, the purpose of this article is to study a multiobjective particle swarm community discovery algorithm based on representation learning. This article uses the network representation learning method for static network community discovery, and designs an improved multiobjective particle swarm-based community discovery algorithm (MOPSO-CD). This randomness effectively prevents the algorithm from falling into a local optimum. At the same time, combined with the MOO algorithm, all the Pareto optimal solution sets are retained to adjust the population to correct the lack of accuracy caused by the randomness of the algorithm. In addition, in order to improve the efficiency of the algorithm, this article introduces an efficient Pareto optimal solution set method. Compared with the traditional MOO strategy, the time complexity of the MOO process is O(n²) Reduced to O(nlogⁿ). Through experimental analysis, MOPSO-CD has higher efficiency and community discovery quality.

中文翻译：

---

基于表示学习的多目标粒子群社区发现算法

随着网络规模的不断增大，网络的结构也变得复杂起来。原有的基于小规模静态网络的社区发现算法已经无法满足我们的需求。为了提高社区划分的质量，提出了基于多重优化函数的社区发现算法。随着优化函数的增加，这些多目标算法的时间复杂度不断增加。多目标社区发现算法的时间复杂度降低，粒子群算法在解决多目标优化（MOO）问题时具有更高的效率和准确性。基于以上背景，本文的目的是研究一种基于表示学习的多目标粒子群社区发现算法。本文采用网络表示学习方法进行静态网络社区发现，设计了一种改进的基于多目标粒子群的社区发现算法（MOPSO-CD）。这种随机性有效地防止了算法陷入局部最优。同时，结合MOO算法，保留所有的Pareto最优解集来调整种群，以纠正算法随机性导致的精度不足。另外，为了提高算法的效率，本文介绍了一种高效的帕累托最优解集方法。与传统的MOO策略相比，MOO过程的时间复杂度为 本文采用网络表示学习方法进行静态网络社区发现，设计了一种改进的基于多目标粒子群的社区发现算法（MOPSO-CD）。这种随机性有效地防止了算法陷入局部最优。同时，结合MOO算法，保留所有的Pareto最优解集来调整种群，以纠正算法随机性导致的精度不足。另外，为了提高算法的效率，本文介绍了一种高效的帕累托最优解集方法。与传统的MOO策略相比，MOO过程的时间复杂度为 本文采用网络表示学习方法进行静态网络社区发现，设计了一种改进的基于多目标粒子群的社区发现算法（MOPSO-CD）。这种随机性有效地防止了算法陷入局部最优。同时，结合MOO算法，保留所有的Pareto最优解集来调整种群，以纠正算法随机性导致的精度不足。另外，为了提高算法的效率，本文介绍了一种高效的帕累托最优解集方法。与传统的MOO策略相比，MOO过程的时间复杂度为 并设计了一种改进的基于多目标粒子群的社区发现算法（MOPSO-CD）。这种随机性有效地防止了算法陷入局部最优。同时，结合MOO算法，保留所有的Pareto最优解集来调整种群，以纠正算法随机性导致的精度不足。另外，为了提高算法的效率，本文介绍了一种高效的帕累托最优解集方法。与传统的MOO策略相比，MOO过程的时间复杂度为 并设计了一种改进的基于多目标粒子群的社区发现算法（MOPSO-CD）。这种随机性有效地防止了算法陷入局部最优。同时，结合MOO算法，保留所有的Pareto最优解集来调整种群，以纠正算法随机性导致的精度不足。另外，为了提高算法的效率，本文介绍了一种高效的帕累托最优解集方法。与传统的MOO策略相比，MOO过程的时间复杂度为 保留所有的帕累托最优解集以调整总体，以纠正算法随机性导致的准确性不足。另外，为了提高算法的效率，本文介绍了一种高效的帕累托最优解集方法。与传统的MOO策略相比，MOO过程的时间复杂度为 保留所有的帕累托最优解集以调整总体，以纠正算法随机性导致的准确性不足。另外，为了提高算法的效率，本文介绍了一种高效的帕累托最优解集方法。与传统的MOO策略相比，MOO过程的时间复杂度为O ( n ² ) 减少到O ( n log ⁿ )。通过实验分析，MOPSO-CD 具有更高的效率和社区发现质量。