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. 

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،