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. 

مقدمه بر اهمیت شناسائی انجمن ها

شبکه های اجتماعی به عنوان واقعیتی جدید در الیه های گوناگون زندگی افراد نفوذ کرده است، این دنیای جدید با رشد سرسام آور و قدرت ماورایی که در ارتباطات بشری به وجود آورده است اکنون به دنبال ارائه خدمات فناوری گوناگون مطابق با سالیق افراد است. با دقت در این مفهوم به پیچیدگی و تخصصی شدن این محیط جدید پی می بریم. از طرفی شبکه های اجتماعی با ایجاد فضای تعاملی و نزدیک بین کاربران محیطی مساعد را برای معرفی کالا، خدمات آماده نموده و افراد با ایجاد ارتباط نزدیک و توسعه ارتباطات به شکل روزافزون به دنبال کشف فرصت های ایجاد شده از رشد و توسعه شبکه های اجتماعی می باشند. صاحبان شبکه ها هم با استفاده از فرصت ایجاد شده با بهنگام سازی امکانات و برنامه های ارائه شده در شبکه های اجتماعی سعی در تأمین سالیق کاربران و مخاطبان خود دارند. در این شبکه های عمومی و اجتماعی به شکل طبیعی و با استفاده از قوانین حاکم بر جوامع انسانی جوامع کوچکتر و انجمن هایی شکل می گیرند و جوامعی به صورت پنهان ایجاد می گردند. ما می توانیم با استفاده از قوانین حاکم بر جوامع انسانی و همچنین با استفاده از الگوریتم ها و تکنیک های استخراج جوامع انسانی اقدام به شناسایی و جدا نمودن جوامع پنهان در دنیای مجازی بپردازیم. با شناسایی جوامع می توانیم به صورت دقیق تر و جزئی تر به تحلیل جوامع، شناسایی مخاطبان، شناسایی سلایق کاربران و مخاطبان بپردازیم. ما می توانیم به دانستن در مورد افراد موجود در جوامع، به شناسایی نیازها و ارائه پاسخ خای دقیق و متناسب با نیازها اقدام نماییم. با توجه به اینکه تعداد روش های شناسایی جوامع بسیار زیاد و متنوع هستند و از طرفی به منظور بهره برداری از بهترین روش با توجه به بزرگی و پیچیدگی شبکه ها باید تحلیلگران با روش ها و تکنیک ها آشنا باشند تا بتوانند با شناخت دقیق جامعه مورد نظر به انتخاب بهترین روش جداسازی انجمن ها در شبکه های مجازی بپردازند. در این وبلاگ سعی داریم  به معرفی ابزارهای ایجاد جوامع و روش های متداول استخراج جوامع می پردازیم، 

معیار دقت تشخیص

هر مدل به‌منظور اندازه کارایی باید ارزیابی شوند و لذا عملاً برای ارزیابی نیاز به معیارها و توابعی است.

در این قسمت با یکی از معروف ترین معیارهای لازم برای ارزیابی دقت تشخیص اشاره میکنیم.

 معیار اطلاعات متقابل نرمال شده

معیارNMI طبق معادله زیر تعریف شده است. در معادله، پارامترهای A و Bدو بخش جداشده از یک شبکه، C ماتریس درهم­ ریختگی، Cij برابر تعداد گره­ های مشترک بین جامعه i در بخش A و جامعه j در بخش B می­باشد.