ارایه الگوریتم بهینه جهت شناسایی هم پوشانی جوامع در شبکه های اجتماعی
Publish place: همایش ملی علوم و مهندسی کامپیوتر آینده پژوهشی-سرزمین پایدار
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,404
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
COMPUTER03_016
تاریخ نمایه سازی: 10 تیر 1396
Abstract:
در هر محیطی(واقعی یا مجازی)، افراد دارای ویژگیهای مشترک را به عنوان یک جامعه میشناسیم. جوامع در شبکهها به منظور درک اصول سازماندهی و نظم ساختاری شبکه، ضروری هستند. جوامع در شبکههای اجتماعی به دو صورت جوامع همپوشان و مجزا تقسیم میشوند. در تشخیص جوامع مجزا همه جوامع کاملا جدا از هم میباشند اما در جوامع همپوشان یک فرد میتواند همزمان در چند جامعه عضو باشد. اخیرا موضوع تشخیص جوامع همپوشان با هدف کشف و شناسایی ویژگیهای شبکههای اجتماعی در زمینههای مختلف کانون توجه محققین قرار گرفته است. در این مقاله الگوریتمی دو مرحلهای مبتنی بر روش خوشهبندی سلسلهمراتبی با زمان اجرایی کم و دقت بالا پیشنهاد شده است. در مرحله اول، الگوریتم پیشنهادی با استفاده از معیار مرکزیت لبه سعی در شناسایی جوامع دارد و در مرحله دوم با استفاده از معیار مرکزیت گره به شناسایی جوامع همپوشان میپردازد که برای بهینه کردن آن از الگوریتم رقابت استعماری استفاده شده است. به منظور ارزیابی روش پیشنهادی، آزمایشات متعددی بر روی مجموعه دادههای استاندارد کلوپ کاراته زاخاری و شبکهی دلفینها و دو شبکه مصنوعی (LFR (با تعداد گرههای مختلف صورت گرفته است. نتایج آزمایشات از لحاظ معیارهای ارزیابی NMI ،Modularity ،score-Fو زمان اجرا حاکی از برتری نسبی روش پیشنهادی میباشد.
Keywords:
Authors
رویا محمدی
گروه کامپیوتر واحد میانه دانشگاه آزاد اسلامی میانه ایران
محمدرضا ابراهیمی دیشابی
گروه کامپیوتر واحد میانه دانشگاه آزاد اسلامی میانه ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :