روشی ترکیبی برای شناسایی جوامع مبتنی بر تعاملات کاربران، توپولوژی شبکه و کاوش الگوی تکرارشونده

در سال های اخیر، شناسایی جوامع در شبکه های اجتماعی به یکی از مهم ترین حوزه های تحقیقاتی تبدیل شده است. اکثر روش های تشخیص جامعه از اطلاعات توپولوژیکی شبکه استفاده می کنند. درحالی که انواع مختلفی از تعاملات در شبکه های اجتماعی وجود دارد که چنانچه با توپولوژی شبکه ترکیب شود باعث بهبود دقت در شناسایی جوامع می شود. در این مقاله، روشی ترکیبی برای شناسایی جوامع، مبتنی بر توپولوژی شبکه، درجه تعامل بهبود یافته کاربران و کاوش الگوی تکرارشونده بر روی تعاملات کاربران پیشنهاد می شود. جوامع اولیه، بر اساس مرکزیت بردار ویژه و کاوش الگوی تکرارشونده، حول گره های اثرگذار شکل می گیرند. جوامع شکل گرفته، مبتنی بر ماژولاریتی و درجه تعامل بهبود یافته کاربران گسترش می یابند. در اغلب روش ها، تعاملات مستقیم دو کاربر و تعاملات آن ها با همسایگان مشترک برای محاسبه درجه تعامل دو کاربر در نظر گرفته می شود. در نظر گرفتن تعاملات بین همسایگان مشترک، دقت درجه تعاملات کاربران را بهبود می بخشد. در مقاله جاری، برای محاسبه درجه تعامل بین کاربران، معیاری بهبود یافته مبتنی بر ضریب خوشه بندی محلی و تعاملات بین همسایگان مشترک ارائه می شود. نتایج ارزیابی روی دو مجموعه داده هیگزتوییتر و فلیکر با استفاده از شاخص های NMI، امگا و چگالی داخلی نشان می دهد که روش پیشنهادی در مقایسه با پنج روش شناسایی جامعه دیگر عملکرد بهتری دارد.

کلیدواژه ها:

تعاملات کاربران ، شناسایی جوامع ، کاوش الگوی تکرارشونده ، ضریب خوشه بندی محلی ، شبکه های اجتماعی