Community detection aims to partition a set of nodes with more similarities in the set than out of it based on different criteria like neighborhood similarity or vertex connectivity. Most present day community detection methods principally concentrate on the topological structure, largely ignoring the heterogeneous properties of the vertex. This paper proposes a new community detection model, based on the possibilistic c-means model, by using structural as well as attribute similarities in a large scale in social networks. In the majority of real social networks, different clusters share nodes, resulting in the formation of overlapping communities. The proposed model, on the basis of structural and attribute similarity (PCMSA), serves as a fuzzy community detection model addressing the overlapping community detection problem, and detecting communities in a way that each community has a densely connected sub-graph with homogeneous attribute values. The function of the proposed model is assessed by a trade-off between intra-cluster and inter-cluster density and homogeneity. Therefore, to validate the proposed community detection algorithm (PCMSA) and its results, an index, compatible with the proposed model, is defined; and to assess the efficiency of the proposed fuzzy community detection, several experimental results in variety sizes from very small to very large sizes of real social networks are given, and the results are contrasted with other community detection models like FCAN, CODICIL, SA-cluster, K-SNAP and PCM. The experimental findings reveal the superiority of this novel model and its promising scalability and computational complexity over others.

社区检测的目的是基于邻域相似度或顶点连通性等不同标准，对一组相似度比其远的节点进行划分。当今大多数社区检测方法主要集中在拓扑结构上，而在很大程度上忽略了顶点的异质性。本文通过在社交网络中大规模使用结构相似性和属性相似性，基于可能的c均值模型，提出了一种新的社区检测模型。在大多数真实的社交网络中，不同的集群共享节点，从而导致形成重叠的社区。在结构和属性相似性（PCMSA）的基础上，该模型可作为模糊社区检测模型，用于解决重叠社区检测问题，并且以一种方式来检测社区，即每个社区都有一个密集连接的，具有相同属性值的子图。通过在集群内部和集群之间的密度与均匀性之间进行权衡，来评估所提出模型的功能。因此，为了验证提出的社区检测算法（PCMSA）及其结果，定义了与提出的模型兼容的索引；为了评估所提出的模糊社区检测的效率，给出了从很小到很大规模的真实社交网络的几种实验结果，并将结果与​​其他社区检测模型（如FCAN，CODICIL，SA-cluster）进行了对比，K-SNAP和PCM。实验发现揭示了这种新颖模型的优越性以及与其他模型相比有希望的可扩展性和计算复杂性。通过在集群内部和集群之间的密度与均匀性之间进行权衡，来评估所提出模型的功能。因此，为了验证提出的社区检测算法（PCMSA）及其结果，定义了与提出的模型兼容的索引；为了评估所提出的模糊社区检测的效率，给出了从很小到很大规模的真实社交网络的几种实验结果，并将结果与​​其他社区检测模型（如FCAN，CODICIL，SA-cluster）进行了对比，K-SNAP和PCM。实验发现揭示了这种新颖模型的优越性以及与其他模型相比有希望的可扩展性和计算复杂性。通过在集群内部和集群之间的密度与均匀性之间进行权衡，来评估所提出模型的功能。因此，为了验证提出的社区检测算法（PCMSA）及其结果，定义了与提出的模型兼容的索引；为了评估所提出的模糊社区检测的效率，给出了从很小到很大规模的真实社交网络的几种实验结果，并将结果与​​其他社区检测模型（如FCAN，CODICIL，SA-cluster）进行了对比，K-SNAP和PCM。实验发现揭示了这种新颖模型的优越性以及与其他模型相比有希望的可扩展性和计算复杂性。为了验证提出的社区检测算法（PCMSA）及其结果，定义了与提出的模型兼容的索引；为了评估所提出的模糊社区检测的效率，给出了从很小到很大规模的真实社交网络的几种实验结果，并将结果与​​其他社区检测模型（如FCAN，CODICIL，SA-cluster）进行了对比，K-SNAP和PCM。实验发现揭示了这种新颖模型的优越性以及与其他模型相比有希望的可扩展性和计算复杂性。为了验证提出的社区检测算法（PCMSA）及其结果，定义了与提出的模型兼容的索引；为了评估所提出的模糊社区检测的效率，给出了从很小到很大规模的真实社交网络的几种实验结果，并将结果与​​其他社区检测模型（如FCAN，CODICIL，SA-cluster）进行了对比，K-SNAP和PCM。实验发现揭示了这种新颖模型的优越性以及与其他模型相比有希望的可扩展性和计算复杂性。并将结果与​​其他社区检测模型（如FCAN，CODICIL，SA集群，K-SNAP和PCM）进行对比。实验发现揭示了这种新颖模型的优越性以及与其他模型相比有希望的可扩展性和计算复杂性。并将结果与​​其他社区检测模型（如FCAN，CODICIL，SA集群，K-SNAP和PCM）进行对比。实验发现揭示了这种新颖模型的优越性以及与其他模型相比有希望的可扩展性和计算复杂性。