مروری بر الگوریتم های تشخیص جامعه

بخش اول

چرا تشخیص جامعه؟

هنگام تجزیه و تحلیل شبکه های مختلف، ممکن است مهم باشد که جوامع درون آنها را کشف کنید. تکنیک‌های تشخیص جامعه برای الگوریتم‌های رسانه‌های اجتماعی برای کشف افراد با علایق مشترک و حفظ ارتباط محکم آنها مفید است. تشخیص جامعه می تواند در یادگیری ماشینی برای شناسایی گروه هایی با ویژگی های مشابه و استخراج گروه ها به دلایل مختلف استفاده شود. به عنوان مثال، از این تکنیک می توان برای کشف گروه های دستکاری در داخل یک شبکه اجتماعی یا یک بازار سهام استفاده کرد.

تشخیص جامعه در مقابل خوشه بندی

می توان استدلال کرد که تشخیص جامعه شبیه خوشه بندی است. خوشه‌بندی یک تکنیک یادگیری ماشینی است که در آن نقاط داده مشابه بر اساس ویژگی‌هایشان در یک خوشه گروه‌بندی می‌شوند. حتی اگر خوشه‌بندی را می‌توان در شبکه‌ها اعمال کرد، اما این یک زمینه گسترده‌تر در یادگیری ماشینی بدون نظارت است که با انواع ویژگی‌های متعدد سروکار دارد. از سوی دیگر، تشخیص جامعه مخصوصاً برای تجزیه و تحلیل شبکه طراحی شده است که به یک نوع ویژگی به نام لبه ها بستگی دارد. همچنین، الگوریتم‌های خوشه‌بندی تمایل دارند تا گره‌های محیطی منفرد را از جوامعی که باید به آن‌ها تعلق داشته باشند، جدا کنند. با این حال، هر دو روش خوشه‌بندی و تشخیص جامعه می‌توانند برای بسیاری از مشکلات تحلیل شبکه اعمال شوند و ممکن است بسته به دامنه، مزایا و معایب متفاوتی را به همراه داشته باشند.

بررسی تشخیص جوامع در شبکه‌های پیچیده مبتنی بر الگوریتم‌های فراابتکاری

بخش اول:

در سال‌های اخیر با توسعه فناوری اطلاعات، شبکه‌های پیچیده در حوزه‌های زیادی مانند وب، شبکه‌های برق، شبکه‌های حسگر، شبکه‌های بیولوژیکی و شبکه‌های اجتماعی مورد استفاده قرار گرفته‌اند. ساختار جوامع یک ویژگی مهم در شبکه‌های پیچیده است که برای سازماندهی شبکه‌ها اهمیت زیادی دارد. شبکه‌ها را می‌توان به‌عنوان گراف‌هایی مدل‌سازی کرد که گره‌ها را نشان می‌دهند و یال‌ها روابط بین گره‌ها را نشان می‌دهند. تشخیص جوامع، فرآیند خوشه‌بندی شبکه به گروه‌های مختلف است به گونه‌ای که ارتباطات زیادی در داخل جوامع وجود داشته باشد و ارتباطات کمی بیرون آنها وجود داشته باشد. یک جامعه یا یک خوشه به یک زیرگراف اشاره دارد، به طوریکه گره‌های موجود در یک زیرگراف به طور متراکم‌تری در داخل به هم متصل هستند. در دهه‌های اخیر، تشخیص جوامع در بسیاری از زمینه‌ها، مانند تجزیه و تحلیل شبکه‌های پیچیده، پیش‌بینی لینک، شناسایی گره و غیره کاربردهایی پیدا کرده است. برای تشخیص جوامع از الگوریتم‌های مختلفی همانند الگوریتم‌های خطی و فراابتکاری استفاده شده است.