Many practice problems can be transformed into complex networks, and complex network community discovery has become a hot research topic in various fields. The classic label propagation algorithm (LPA) can give community partition very quickly, but stability of the algorithm is poor due to random label propagation. To solve this problem, community leader principle is built and transition probability is introduced, a label propagation algorithm based on community leader and transition probability (CTLPA) is proposed. CTLPA selects threatened leaders and their communities according to the community leader principle, and uses the transition probability and the degree of the leader to jointly control the order for community merger, so that the threatened leader continuously devours the communities that threaten him, until a preliminary community partition is formed. To further reduce the number of community, in CTLPA, based on the characteristic of the community structure: close relationship within the community and sparse relationship outside the community, the closest communities are merged, until the final community partition is obtained. The CTLPA is compared with other five classic algorithms on LFR artificially generated networks and several real data sets. The experimental results show that CTLPA is robust in community partition, it always gives the same community partition, while the LPA will give different results from multiple independent runs. The number of community partition and the normalized mutual information (NMI) of the CTLPA are the best in most cases.

中文翻译：

---

基于社区领导和转移概率的 LPA

许多实践问题都可以转化为复杂网络，复杂网络社区发现已成为各个领域的热门研究课题。经典的标签传播算法（LPA）可以很快地进行社区划分，但由于标签传播的随机性，算法稳定性较差。针对这一问题，建立社区领导原则并引入转移概率，提出了一种基于社区领导和转移概率的标签传播算法（CTLPA）。CTLPA 根据社区领导者原则选择受威胁领导者及其社区，利用领导者的转移概率和程度共同控制社区合并的顺序，使受威胁领导者不断吞噬威胁他的社区，直到形成初步的社区划分。为了进一步减少社区的数量，在CTLPA中，基于社区结构的特点：社区内关系紧密，社区外关系稀疏，将最近的社区合并，直到得到最终的社区划分。CTLPA 在 LFR 人工生成的网络和几个真实数据集上与其他五种经典算法进行了比较。实验结果表明，CTLPA 在社区划分中是鲁棒的，它总是给出相同的社区划分，而 LPA 会在多次独立运行时给出不同的结果。在大多数情况下，社区划分的数量和 CTLPA 的归一化互信息 (NMI) 是最好的。根据社区结构的特点：社区内关系紧密，社区外关系稀疏，将最近的社区合并，直到得到最终的社区划分。CTLPA 在 LFR 人工生成的网络和几个真实数据集上与其他五种经典算法进行了比较。实验结果表明，CTLPA 在社区划分中是鲁棒的，它总是给出相同的社区划分，而 LPA 会在多次独立运行时给出不同的结果。在大多数情况下，社区划分的数量和 CTLPA 的归一化互信息 (NMI) 是最好的。根据社区结构的特点：社区内关系紧密，社区外关系稀疏，将最近的社区合并，直到得到最终的社区划分。CTLPA 在 LFR 人工生成的网络和几个真实数据集上与其他五种经典算法进行了比较。实验结果表明，CTLPA 在社区划分中是鲁棒的，它总是给出相同的社区划分，而 LPA 会在多次独立运行时给出不同的结果。在大多数情况下，社区划分的数量和 CTLPA 的归一化互信息 (NMI) 是最好的。直到获得最终的社区划分。CTLPA 在 LFR 人工生成的网络和几个真实数据集上与其他五种经典算法进行了比较。实验结果表明，CTLPA 在社区划分中是鲁棒的，它总是给出相同的社区划分，而 LPA 会在多次独立运行时给出不同的结果。在大多数情况下，社区划分的数量和 CTLPA 的归一化互信息 (NMI) 是最好的。直到获得最终的社区划分。CTLPA 在 LFR 人工生成的网络和几个真实数据集上与其他五种经典算法进行了比较。实验结果表明，CTLPA 在社区划分中是鲁棒的，它总是给出相同的社区划分，而 LPA 会在多次独立运行时给出不同的结果。在大多数情况下，社区划分的数量和 CTLPA 的归一化互信息 (NMI) 是最好的。