بهبود تشخیص جوامع همپوشان با توسعه الگوریتم خوشه بندیC-میانگین فازی - امکانی (PFCM) مبتنی بر وزن دهی مرکزیت شبکه

. آشکارسازی ساختارهای همپوشان در شبکه های پیچیده، به دلیل ماهیت مبهم مرزهای جوامع و حضور گره هایی با تعلقات چندگانه، چالش های قابل توجهی را در حوزه داده کاوی گراف ایجاد کرده است. اگرچه الگوریتم های خوشه بندی فازی (FCM) ابزاری کارآمد برای مدل سازی این عدم قطعیت فراهم می کنند، اما وابستگی آن ها به قیود احتمالی و حساسیت نسبت به مقادیر اولیه، کارایی آن ها را در مواجهه با نویزهای ساختاری محدود می سازد. در این پژوهش، با هدف غلبه بر این محدودیت ها و بهره گیری هم زمان از ویژگی های توپولوژیک شبکه و منطق فازی، الگوریتم CW-PFCM (خوشه بندی C-میانگین فازی - امکانی وزن دار مبتنی بر مرکزیت) پیشنهاد شده است. در این رویکرد، از معیارهای مرکزیت شبکه برای هدایت فرآیند مقداردهی اولیه و تعدیل ماتریس های عضویت در الگوریتم PFCM استفاده می شود. ادغام رویکرد امکانی با منطق فازی، به مدل اجازه می دهد تا تمایز دقیق تری میان همپوشانی معنادار و گره های دورافتاده قائل شود. ارزیابی های تجربی بر روی چندین مجموعه داده استاندارد و مقایسه با روش های نوین، نشان می دهد که روش پیشنهادی ضمن حفظ پایداری در برابر نویز، از حیث معیارهای اعتبارسنجی نظیر اطلاعات متقابل نرمال شده (NMI) و مادولاریتی، عملکردی قابل قبول و رقابتی ارائه می دهد. یافته ها حاکی از آن است که لحاظ کردن اهمیت ساختاری گره ها در فرآیند یادگیری فازی، منجر به شناسایی دقیق تر جوامع واقعی می گردد.

کلیدواژه ها:

تشخیص جوامع همپوشان ، خوشه بندی فازی- امکانی ، عدم قطعیت ساختاری ، معیارهای مرکزیت ، تحلیل شبکه های پیچیده