بهبود تشخیص جوامع در شبکه های پیچیده با استفاده از تعریف درجه عضویت برای هر گره

الگوریتم IsoFdp برای تشخیص جوامع در شبکه های پیچیده از ترکیب الگوریتم IsoMap برای کاهش ابعاد غیرخطی و الگوریتم خوشهبندی مبتنی بر چگالی FDP استفاده کرده است. یکی از مشکلات این روش انتخاب مراکز خوشه ها و یا جوامع با استفاده از گراف تصمیممیباشد، که در شرایطی که جوامع دارای همپوشانی باشند دچار مشکل خواهد شد، در این پژوهش روشی ارایه شده، برای رفع مشکل فوق است. در روش پیشنهادی برای خوشهبندی از الگوریتم خوشهبندی غیر پارامتریک MeanShift استفاده شده است، که برخلاف الگوریتم FDP نیازمندتعیین مراکز خوشه نمیباشد و با تعریف بردار درجه عضویت گره ها سعی در رفع مشکل همپوشانی خوشه ها و مشکل عضویت گره ها در هر خوشه دارد. همچنین با تعریف توابع کرنل مختلف باعث انتخاب متفاوت بیشینه برای تعیین مراکز خوشه ها و وزندهی متفاوت همسایگان آنها شده است. در این پژوهش برای بررسی روش پیشنهادی و روشهای پیشین از 5 گراف شبکه واقعی Football، Les Miserables،Dolphins و مصنوعی LFR،GN استفاده شده است. همچنین برای ارزیابی از معیارهای ACC، NMI و Modularity استفاده شده است. نتایج آزمایشات بااستفاده از معیارهای فوق بر روی شبکه های واقعی و مصنوعی حاکی از آن است که روش پیشنهادی تشخیص جوامع در مقایسه با روشهای پیشین دارای بهبود قابل توجهی را نشان میدهد.

Keywords:

تشخیص جوامع , خوشه بندی مبتنی بر چگالی , شبکه های پیچیده , کاهش ابعاد غیرخطی