افزایش دقت شناسایی جوامع در شبکه های اجتماعی با بهبود رویکرد انتشار برچسب

شناسایی جوامع در شبکه های بزرگ یک موضوع پرکاربرد در تحلیل شبکه های اجتماعی است و ارائه الگوریتم با دقت و کارایی مطلوب برای استخراج جوامع اهمیت زیادی دارد. رویکردهای مختلفی برای شناسایی جامعه ها وجود دارد. ازجمله می توان به رویکرد انتشار برچسب اشاره کرد که در آن ابتدا مهم ترین راس های شبکه برمبنای معیارهای مرکزیت تعیین می شوند و برچسب های جامعه متفاوت به آنها انتساب داده می شود. سپس برچسب هر یک از این راس ها به راس های اطراف آنها انتشار می یابد. هدف این پژوهش، بهبود یک الگوریتم شناسایی جامعه موسوم به LBLD است. این الگوریتم ابتدا براساس یک معیار شباهت، تعدادی از مهم ترین راس های شبکه را تعیین می کند. سپس با یک رویکرد متوازن، جوامع توسعه داده می شوند و در نهایت یک فاز ادغام اجرا می شود تا جوامع کوچک با یکدیگر ترکیب شوند. ایده پیشنهادی ما استفاده از یک معیار الهام گرفته از مفهوم h-index برای بهبود دقت تشخیص جوامع است به این ترتیب که زیرگراف هایی به عنوان جامعه شناسایی شوند که حداقل pدرصد از راس های آنها درجه حداقل k داشته باشد. اعمال روش پیشنهادی بر روی مجموعه داده های شناخته شده در این حوزه و و مقایسه نتایج نشان می دهد که روش پیشنهادی نسبت به روش های مشابه باعث بهبود دقت در استخراج جوامع شده است.

کلیدواژه ها:

شناسایی جوامع ، مدلسازی شبکه های اجتماعی ، الگوریتم انتشار برچسب ، خوشه بندی