تحليلي بر روشهاي تشخيص جوامع در شبكه‌هاي پيچيده

در سالهاي اخير گرايش دانشمندان به كاوش و بررسي شبكه‌هاي پيچيده به شدت افزايش يافته است. اين امر زماني آغاز شد كه دانشمندان دريافتند كه بسياري از شبكه‌هاي پيچيده‌ي استخراج شده از سيستمهاي مصنوعي و طبيعي، ويژگي‌هاي مشتركي را دارند كه آنها را از گراف‌هاي تصادفي متمايز مي‌سازند. اين ويژگي‌ها عبارتند از: پديده‌ي جهان كوچك ، توزيع درجات به صورت قانون تواني ، و ضريب خوشه‌بندي بالا . در نتيجه‌ي اين ويژگي‌هاي ساختاري، اكثر شبكه‌هاي پيچيده‌ي جهان واقعي داراي ساختاري خوشه‌اي به نام جوامع هستند. يك جامعه زيرگرافي است كه در آن گره‌ها اتصالات زيادي با گره‌هاي داخل جامعه داشته و اتصالات بسيار كمي با گره‌هاي بيرون از جامعه دارند. به طور معمول گره‌هايي كه عضو يك جامعه اند ويژگي‌هاي مشتركي داشته و نقش‌هاي مشابهي را در يك شبكه ايفا مي‌كنند. بنابراين با تشخيص و آزمايش جوامع موجود در يك شبكه مي‌توان به اطلاعات مفيدي در مورد ساختار و ماهيت آن شبكه دست يافت. تفسير معنايي يك جامعه به نوع شبكه‌ي مورد مطالعه بستگي دارد. در شبكه‌ي سوخت و ساز بدن، يك جامعه مي‌تواند نشان دهنده‌ي يك فعاليت زيستي در يك سلول باشد. در شبكه‌ي تراكنش يك سايت تجارت الكترونيكي، يك جامعه مجموعه‌اي از مشتريان مشابه را نشان مي‌دهد. در شبكه‌ي وب نيز يك جامعه مجموعه‌اي از صفحات با موضوعات يكسان را نشان مي‌دهد. روشهاي بسياري جهت تشخيص جوامع در شبكه‌هاي پيچيده ارائه شده‌اند. اين مقاله به معرفي مفاهيم اوليه، كاربردها، چالش‌ها و روشهاي حل مسئله‌ي تشخيص جوامع مي‌پردازد.