تشخیص جوامع با استفاده از روش یادگیری تقویتی در شبکه های پیچیده پویا

با توجه به رشد روز افزون شبکه های اجتماعی، ارایه روشی پویا که بتواند با توجه به تغییرات این شبکه هااطلاعات را به درستی دسته بندی کند، یکی از مسایل مهم در شبکه های اجتماعی است. در این مقاله سعیکرده ایم طبقه بندی داده های جدید در شبکه های اجتماعی را با استفاده از روش یادگیری تقویتی بهبود دهیم.الگوریتم یادگیری تقویتی شامل دو مرحله اصلی است. در مرحله یادگیری با استفاده از الگوریتم اصلاح شدهقدم زنی تصادفی، امتیازدهی به گره ها صورت می گیرد و سپس خوشه بندی داده ها با استفاده از الگوریتمبهینه سازی اکسترمال انجام می شود و در مرحله تصمیم گیری، طبقه بندی داده های جدید با استفاده از اطلاعاتبه دست آمده در زمان آموزش انجام میشود. نتایج نشان میدهد روش پیشنهادی بر روی مجموعه داده دلفیناز نظر معیار NMI، در مقایسه با روش PMC به میزان 0.183 درصد و از نظر معیار Accuracy، در مقایسه با روش PMC به میزان 0.09 درصد و از نظر معیار Modularity، در مقایسه با روش IACO-Net به میزان 0.186 درصد بهبود داشته است، و بر روی مجموعه داده باشگاه زاکری، در مقایسه با روش IACO-Net به میزان 0.042 درصد نتایج ضعیف تری را نشان میدهد.