کشف انجمن در شبکه های اجتماعی ایستا با استفاده از الگوریتم بهینه ساز گرگ خاکستری

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 648

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JEMSC-4-1_006

تاریخ نمایه سازی: 20 خرداد 1398

Abstract:

کشف انجمن در شبکه های پیچیده یکی از مهمترین مسائل در زمینه های علمی  و تحلیل شبکه های اجتماعی به شمار می رود. و به محققان در درک عملکرد و نمایش ساختار شبکه ها کمک می کند. خوشه بندی یا تشخیص اجتماعات، ساختار انجمن ها در شبکه های اجتماعی و ارتباطات پنهان بین مولفه های آن را آشکار خواهد نمود. یک اجتماع  مجموعه از گره ها است که چگالی ارتباطات آنها با هم بیشتر از سایر موجودیت های شبکه است.در این مقاله یک الگوریتم نوین کشف انجمن در شبکه های ایستا به نام الگوریتم بهینه ساز گرگ خاکستری استفاده  شده است که با توجه به معیار انتخاب شده قابلیت مقیاس پذیری دارد. همچنین تجربه نشان داده است، یکی از مهمترین خصوصیات الگوریتم های فراابتکاری، عدم به تله افتادن در کمینه محلی است. که در مساله کشف انجمن ها، الگوریتم گرگ خاکستری نسبت به سایر الگوریتم های فراابتکاری مانند الگوریتم ژنتیک و الگوریتم مجموعه ذرات احتمال کمتری در به تله افتادن دارد. و آزمایشها نشان داده است که الگوریتم مطرح شده دقت بهتری را  نسبت به الگوریتم های دیگر ارائه می کند.

Keywords:

شبکه های اجتماعی , کشف انجمن , الگوریتم های فراابتکاری , الگوریتم بهینه سازی گرگ خاکستری

Authors

فاطمه بشارت نیا

دانشجویی دکتری دانشگاه شهید بهشتی، دانشکده علوم و مهندسی کامپیوتر

علیرضا طالب پور

دانشیار دانشگاه شهید بهشتی، دانشکده علوم و مهندسی کامپیوتر

صادق علی اکبری

استادیار دانشگاه شهید بهشتی، دانشکده علوم و مهندسی کامپیوتر

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 :
  • Xu, T., et al., Generative models for evolutionary clustering. ACM ...
  • Barber, M.J., Modularity and community detection in bipartite networks. Physical ...
  • Pantié, M. and M. Crampes, Survey on social community detection, ...
  • Newman, Mark EJ, and Michelle Girvan. Finding and evaluating community ...
  • Newman, Mark EJ. Fast algorithm for detecting community structure in ...
  • Clauset, Aaron, Mark EJ Newman, and Cristopher Moore. Finding community ...
  • Shang, Ronghua, et al. Community detection based on modularity and ...
  • Tasgin, M., A. Herdagdelen, and H. Bingol, Community detection in ...
  • Pizzuti, Clara. A multiobjective genetic algorithm to find communities in ...
  • Gong, Maoguo, et al. Community detection in networks by using ...
  • Zhao, Yuxin, et al. A cellular learning automata based algorithm ...
  • Newman, M.E., Fast algorithm for detecting community structure in networks. ...
  • Lin, Z., et al., CK-LPA: Efficient community detection algorithm based ...
  • Papadopoulos, S., et al., Community detection in social media. Data ...
  • Mirjalili, S., S.M. Mirjalili, and A. Lewis, Grey wolf optimizer. ...
  • Newman, M.E. and M. Girvan, Finding and evaluating community structure ...
  • Good, B.H., Y.-A. de Montjoye, and A. Clauset, Performance of ...
  • http://konect.uni-koblenz.de/networks/ ...
  • نمایش کامل مراجع