ارائه الگوریتمی ترکیبی بر اساس Node۲vec و بازی تشکیل ائتلاف به منظور تشخیص جوامع

تشخیص جوامع در بسیاری از زمینه ها مانند زیست شناسی، تئوری گراف ها و شبکه های اجتماعی یک مسئله مهم است. در سال های اخیر، محققان زیادی روی الگوریتم های مختلفی به منظور کشف و شناسایی ساختارهای جامعه تحقیق کرده اند. بسیاری از آنها برای کشف جوامع ویژگی های ساختاری محلی در شبکه های گراف را در نظر گرفته اند. در این مقاله، یک الگوریتم جدید (DCGT برای شناسایی جوامع ارائه شده است که در آن یادگیری عمیق با رویکردهای تئوری بازی ها ترکیب شده است. الگوریتم DCGT از دو مرحله تشکیل شده است: ۱) یادگیری عمیق و ۲) تئوری بازی تشکیل ائتلاف. در مرحله اول، گراف به وسیله شباهت بین گره ها وزندار می شود که برای این کار از ویژگی های ساختاری سراسری گراف استفاده شده است. در مرحله دوم، گراف وزن دار شده بر اساس بازی تشکیل ائتلاف و استفاده از برخی معیارهای حریصانه به صورت سلسله مراتبی خوشه بندی شده است. آزمایش های گسترده در شبکه های مختلف واقعی با اندازه های مختلف انجام شده است. این آزمایش ها نشان می دهند که الگوریتم DCGT علاوه بر مستقل بودن نسبت به پارامتر حساس B که یک پارامتر کلیدی در الگوریتم کوفوگاست، در شبکه های بررسی شده به طور متوسط، ۱۴ درصد نسبت به الگوریتم ترکیبیNode۲vec-spectralو ۱۹ درصد نسبت به الگوریتم کوفوها در شاخص کیفی NMI بهبود داشته است.

کلیدواژه ها:

تشخیص جامعه ، یادگیری عمیق ، تعبیه گراف ، الگوریتم Node۲vec ، تئوری بازی ها ، بازی تشکیل ائتلاف ، خوشه بندی سلسله مراتبی