شناسایی جوامع در شبکه های اجتماعی با استفاده از انتشار اطلاعات و برچسب و یادگیری عمیق

شناسایی جوامع در شبکه های اجتماعی نقش حیاتی در تحلیل ساختارهای اجتماعی و فهم الگوهای تعاملات کاربران ایفا می کند. روش های مختلفی برای شناسایی جوامع پیشنهاد شده اند که هر کدام دارای نقاط قوت و ضعف خاص خود هستند. در این مقاله، ما یک رویکرد ترکیبی جدید ارائه می دهیم که هدف آن بهبود دقت و پایداری شناسایی جوامع در شبکه های اجتماعی بزرگ است. رویکرد پیشنهادی ما از ترکیب سه الگوریتم PraSar، گسترش هسته (Core Expansion) و انتشار برچسب (Label Propagation) بهره می برد و با استفاده از یادگیری عمیق (GraphSage)، دقت شناسایی جوامع را بهبود می بخشد. الگوریتم PraSar با استفاده از اطلاعات آبشاری، جوامع اولیه را شناسایی می کند. این جوامع سپس با استفاده از گسترش هسته و انتشار برچسب توسعه می یابند. در نهایت، از مدل یادگیری عمیق برای بهبود نهایی جوامع استفاده می شود. این رویکرد ترکیبی از قدرت محلی الگوریتم های گسترش هسته و انتشار برچسب بهره می برد و با ادغام اطلاعات جهانی از طریق یادگیری عمیق، دقت کلی را افزایش می دهد. نتایج تجربی بر روی مجموعه داده های واقعی نشان می دهد که روش پیشنهادی ما توانایی باالتری در شناسایی جوامع نسبت به الگوریتم های موجود دارد. این روش نه تنها دقت شناسایی جوامع را افزایش می دهد، بلکه از تشکیل جوامع هیوال و تقسیم بیش از حد نیز جلوگیری می کند. در نتیجه، رویکرد پیشنهادی ما می تواند به عنوان پایه ای برای تحقیقات آینده در زمینه شناسایی جوامع در شبکه های اجتماعی مورد استفاده قرار گیرد.

کلیدواژه ها:

شناسایی جوامع ، شبکه های اجتماعی ، انتشار اطلاعات ، انتشار برچسب ، یادگیری عمیق در گراف ها