بهبود خوشه بندی داده های شبکه های اجتماعی با استفاده از الگوریتم ژنتیک و K-Means

هر مقاله با گسترش داده های تولید شده در شبکه های اجتماعی، شناسایی الگوهای معنادار بدون استفاده از برچسب ها اهمیت فزاینده ای یافته است. خوشه بندی به عنوان یکی از روش های پایه ی یادگیری بدون ناظر نقش کلیدی در دسته بندی خودکار داده ها ایفا می کند. با این حال الگوریتم های سنتی مانند K-Means در مواجهه با داده های حجیم، رفتار متنوع کاربران و نویز موجود، دچار افت عملکرد می شوند. در این پژوهش یک روش هیبریدی مبتنی بر الگوریتم ژنتیک و K-Means ارائه شده است. ابتدا الگوریتم ژنتیک برای بهینه سازی مراکز اولیه خوشه ها به کار گرفته می شود و سپس K-Means با استفاده از این مراکز فرآیند خوشه بندی را اجرا می کند. داده های مورد استفاده ترکیبی از ویژگی های محتوایی و ساختاری کاربران در شبکه های اجتماعی هستند. نتایج نشان می دهد که روش پیشنهادی نسبت به الگوریتم های پایه خوشه هایی منسجم تر و معیارهای ارزیابی بهتری مانند Silhouette، SSE و Davies-Bouldin ارائه می دهد. یافته ها نشان می دهد که ترکیب الگوریتم های تکاملی با K-Means محدودیت های روش های سنتی را کاهش داده و ابزار موثری برای تحلیل داده های پیچیده شبکه های اجتماعی فراهم می کند.

کلیدواژه ها:

خوشه بندی ، الگوریتم ژنتیک ، K-Means ، شبکه های اجتماعی ، الگوریتم هیبریدی ، داده های حجیم