شناسایی جوامع در شبکههای اجتماعی با روش انتشار اطلاعات، بذرپاشی و یادگیری عمیق

شناسایی جوامع در شبکه های اجتماعی یکی از چالشهای مهم در تحلیل ساختارهای پیچیده شبکه است. این فرآیند نقش کلیدی در درک تعاملات کاربران، تحلیل رفتارهای اجتماعی و بهینه سازی کاربردهایی مانند پیشنهاد، دوستی بازاریابی هدفمند و امنیت سایبری دارد. روشهای متعددی برای شناسایی جوامع ارائه شده اند که هر کدام دارای مزایا و محدودیتهایی هستند. روشهای مبتنی بر انتشار برچسب (Label Propagation) و گسترش هسته (Core Expansion) سرعت بالایی دارند اما در برخی موارد دقت کافی را ارائه نمی دهند. روشهای مبتنی بر یادگیری عمیق مانند Graph Sage می توانند کیفیت شناسایی جوامع را افزایش دهند. در این مقاله یک روش ترکیبی جدید برای شناسایی جوامع در شبکه های اجتماعی ارائه شده است که از ترکیب شاخص اهمیت (IMP)، بذرپاشی انتشار اطلاعات، گسترش هسته و یادگیری عمیق بهره می برد. این روش با استفاده از شاخص اهمیت و فرآیند بذرپاشی هوشمندانه جوامع اولیه را شناسایی می کند، سپس این جوامع از طریق انتشار اطلاعات و گسترش هسته توسعه می یابند. در نهایت برای بهینه سازی مرزهای جوامع از مدل یادگیری عمیق استفاده می شود که با یادگیری ویژگیهای گره ها و بررسی معیارهایی مانند Accessibility Bond Value و Outflow ساختار جوامع را نهایی می کند. نتایج تجربی بر روی مجموعه دادههای واقعی نشان می دهد که روش پیشنهادی دقت بالاتری نسبت به روشهای سنتی دارد. همچنین مقدار ماژولاریتی در شبکه های آزمایشی افزایش یافته و فرآیند شناسایی جوامع پایداری بیشتری دارد. این روش علاوه بر افزایش دقت، مقیاس پذیری بالایی برای شبکههای بزرگ و پویا دارد و از مشکلاتی مانند تشکیل جوامع بسیار بزرگ و همپوشانی نامناسب جوامع جلوگیری می کند.