بررسی الگوریتم های تشخیص جوامع در شبکه های پیچیده

تشخیص جوامع یکی از حوزه های پژوهشی در علم شبکه های پیچیده است که به دلیل کاربردهای مختلف آن در شبکه های واقعی به طور گسترده مورد مطالعه پژوهشگران قرار گرفته و الگوریتم های متعددی در این زمینه ارائه شده است. الگوریتمهای کلاسیک تشخیص جوامع عموما از مدل های احتمالی جهت استخراج ساختار جوامع استفاده می کردند که با رویکردهای جدید در هوش مصنوعی در سال های اخیر استفاده از روش هایی مانند یادگیری عمیق در تشخیص جوامع مورد توجه پژوهشگران قرار گرفته است. در این مقاله انواع الگوریتم های تشخیص جوامع بررسی و با اعمال این الگوریتم ها به روی داده بنچمارک "ال اف آر"، با یکدیگر از نظر دقت مقایسه شده اند. نتایج این بررسی نشان می دهد که در گراف های ساده الگوریتمهایی همچون نقشه اطلاعات و لووان دقت و سرعت بیشتری نسبت به الگوریتم های کلاسیک مانند گیروان و نیومن دارند که میتوانند جایگزین بهتری برای این روش ها باشند.

کلیدواژه ها:

شبکه های پیچیده ، تشخیص جوامع ، دسته بندی ، گراف