عنوان مقاله : ارائه یک الگوریتم خوشه بندی مبتنی بر بهینه سازی تکاملی همراه با سازوکار یادگیری تقویتی برای تشخیص اجتماعات در شبکه های موردی

تحلیل شبکه های پیچیده در سال های اخیر به یکی از حوزه های مهم در علوم داده، مهندسی سیستم ها و تحلیل اطلاعات تبدیل شده است. یکی از مسائل اساسی در این حوزه، شناسایی ساختارهای اجتماعات یا خوشه ها در شبکه هاست؛ به گونه ای که گره های درون یک اجتماع دارای ارتباطات متراکم تر و مشابهت بیشتری نسبت به گره های خارج از آن باشند. شبکه های موردی نوعی از شبکه های داده محور هستند که در آن هر گره نمایانگر یک مورد یا نمونه از داده ها بوده و یال ها بیانگر میزان ارتباط یا شباهت میان این موارد هستند. تشخیص دقیق اجتماعات در چنین شبکه هایی می تواند به درک بهتر ساختار داده ها و استخراج الگوهای پنهان در آن ها کمک کند.در این پژوهش، یک الگوریتم خوشه بندی مبتنی بر بهینه سازی تکاملی با رویکرد یادگیری نیمه نظارتی برای تشخیص اجتماعات در شبکه های موردی ارائه شده است. در روش پیشنهادی، مسئله تشخیص اجتماع به صورت یک مسئله بهینه سازی مدل سازی شده و معیار ماژولاریتی به عنوان تابع هدف برای ارزیابی کیفیت خوشه بندی مورد استفاده قرار گرفته است. همچنین به منظور بهبود فرآیند جستجو و افزایش دقت تشخیص اجتماعات، از اطلاعات آموزشی محدود در قالب رویکرد یادگیری نیمه نظارتی بهره گرفته شده است. الگوریتم پیشنهادی با استفاده از مکانیزم های تکاملی شامل انتخاب، ترکیب و جهش، قادر است در فضای جستجوی پیچیده شبکه ها به صورت کارآمد به ساختارهای بهینه خوشه بندی دست یابد.نتایج آزمایش ها بر روی چند شبکه معیار نشان می دهد که روش پیشنهادی در مقایسه با برخی الگوریتم های شناخته شده در حوزه تشخیص اجتماع، از نظر دقت و کیفیت خوشه بندی عملکرد بهتری ارائه می دهد و قادر است ساختارهای اجتماعی شبکه را با کارایی بالاتری شناسایی کند.

کلیدواژه ها:

خوشه بندی شبکه ، شبکه های موردی ، تشخیص اجتماع ، الگوریتم های تکاملی ، یادگیری نیمه نظارتی ، بهینه سازی فراابتکاری