يك الگوريتم جديد براي شناسايي جوامع در شبكه‌هاي اجتماعي با استفاده از اتوماتاي يادگير

با توجه به ساختار روابط اجتماعي ميان كاربران و وجود ساختارهاي اجتماعي در شبكه هاي اجتماعي، يكي از مسائل مهم در اين شبكه ها، شناسايي جوامع به منظور تحليل ساختاري شبكه اجتماعي است. در مسئله شناسايي جوامع، هدف تقسيم‌بندي شبكه به مجموعه اي از زير گراف هاست به گونه اي كه تراكم ارتباطات داخل جوامع خيلي بالا و ارتباط مابين جوامع خيلي پايين باشد. در اين مقاله با استفاده از يك الگوريتم مبتني بر آتوماتاي يادگير سلولي نامنظم سعي بر شناسايي جوامع در شبكه هاي اجتماعي شده است. در الگوريتم پيشنهادي هر گره از گراف به يك آتوماتان يادگير مجهز شده و براساس روابط همسايگي گره‌هاي گراف و روابط كل گره‌هاي گراف با يكديگر براساس معياري جديدي به نام سيگنيفيكنس، فرآيند پاداش و جريمه به اقدام هاي اتوماتاهاي يادگير اعمال مي‌شود. در واقع اساس كار اين مقاله بهينه‌سازي معيار عمومي سيگنيفيكنس در كنار يك معيار محلي با استفاده از آتوماتاي يادگير سلولي است تا بتوان جوامع را به ‌درستي تشخيص داد. به منظور ارزيابي كارايي الگوريتم پيشنهادي آزمايشاتي بر روي دادگان استاندارد شبكه‌هاي اجتماعي ترتيب داده شده‌است كه نتايج آزمايشات در مقايسه با الگوريتم‌هاي متداول شناسايي جوامع حاكي از برتري روش پيشنهادي از نظر دقت و زمان اجرا است.