پيشنهاد و معرفي يك الگوريتم جديد تشخيص جامعه با روش‌هاي يادگيري عميق نيمه نظارت شده

تحليل شبكه اجتماعي به عنوان روشي براي آشكار سازي و شناسايي الگوهاي مفيد اجتماعي در اجتماع ميان كاربران رواج يافته است. با اين حال رشد نمايي و پيوسته اين شبكه ها (بر حسب تعداد كاربران و تنوع برهمكنش هاي مختلفي كه اين شبكه ها ممكن مي كنند) توسعه روش هاي مختلف تشخيص تشكل موثر و كارآمد را به يك كار محاسباتي چالش برانگيز تبديل كرده است. در اين مقاله يك روش نوآورانه براي تشخيص تشكل نيمه نظارت شده، بهره گيري از شبكه هاي عصبي معمولي براي بكارگيري همزمان ويژگي هاي مختلف يك شبكه (مانند اطلاعات توپولوژيك و زمينه اي) پيشنهاد مي كنيم. هزينه محاسباتي با دانش نمايش دهنده اتصالات شبكه روي معيارهاي پراكنده خاص مي تواند تعداد عمليات هايي كه بايد صريحاً انجام شوند را كاهش دهد، بهينه سازي مي شود. با ارزيابي گسترده سيستم ما روي مجموعه داده هاي بزرگ (مصنوعي و واقعي) نشان مي دهيم كه روش ما بهتر از انواع روش هاي جديد كنوني بر حسب زمان اجرا و F1 كلان و ريز عمل مي كند.