انتخاب شباهت ساختاری بهینه برای ساخت ابر گراف ترکیبی تنظیم کننده در تجزیه نامنفی ماتریس برای تشخیص انجمن

با گسترش روزافزون شبکه ها در زندگی روزمره، بخصوص شبکه های اجتماعی، لزوم شناخت و تحلیل این شبکه ها جهت سازماندهی یا نقش آفرینی در آن ها اهمیت بسزایی یافته است. یکی از مهمترین ویژگی های شبکه، انجمن ها می باشند که تشخیص آن ها کمک شایانی در تحلیل و شناخت شبکه ها می نماید. تاکنون رویکردها و الگوریتم های متعددی برای شناسایی انجمن ها توسط دانشمندان علوم کامپیوتر و ریاضی طراحی و پیاده سازی شده اند. یکی از جدیدترین رویکردهای یک دهه گذشته برای شناسایی انجمن ها تجزیه نامنفی ماتریس می باشد. اغلب الگوریتم های مبتنی بر رویکرد تجزیه نامنفی ماتریسی از شباهت های توپولوژیکی مانند ماترس همجواری بهره می گیرند که ضعف اصلی این الگوریتم ها افت کارایی تشخیص انجمن با پیچیده شدن شبکه و کاهش تعداد رئوس درون انجمنی می باشد. اخیرا دانشمندان علوم کامپیوتر با استفاده از مفهوم ابرگراف ترکیبی، شباهت های توپولوژیکی و ساختاری را به صورت همزمان به کار گرفته و کارایی تشخیص انجمن را در شبکه های پیچیده بهبود بخشیده اند. نکته مهمی که در این الگوریتم ها وجود دارد انتخاب معیار شباهت رئوس می باشد که در این پژوهش ما با استفاده از سه معیار شباهت، سه الگوریتم تشخیص انجمن مبتنی بر تجزیه نامنفی ماتریس که هر یک بوسیله یک ابرگراف ترکیبی خاص تنظیم شده اند، بهترین الگوریتم و در نتیجه بهترین ابر گراف و شباهت ساختاری را برای تشخیص انجمن براساس معیار کارایی NMI را تعیین می نماییم.

کلیدواژه ها:

شبکه ، تشخیص انجمن ، تجزیه نامنفی ماتریس ، ابر گراف ، شباهت توپولوزیکی ، شباهت ساختاری