توسعه يك روش فرا ابتكاري تركيبي براي شناسايي اجتماعات در شبكه‌هاي اجتماعي با هدف چگالي پودمانگي

A Hybrid Algorithm for Detecting Communities of Social Networks based on the Modularity Density Criterion

شناسايي ساختارهاي موجود در شبكه هاي اجتماعي، فرآيندي حائز اهميت در تحليل اين شبكه ها است. يكي از مسائلي كه در سال هاي اخير در زمينه شناسايي ساختارهاي شبكه هاي اجتماعي مطرح شده است، مسئله اجتماع يابي است. با توجه به اهميت اين موضوع، تاكنون روش هاي حل متنوع و گوناگوني براي اجتماع يابي پيشنهاد شده است. در پژوهش حاضر، يك الگوريتمي تركيبي از روش هاي بهينه‌سازي علف‌هاي هرز و ژنتيك پيشنهاد شده است كه هدف آن يافتن جواب هاي مناسب و باكيفيت براي مسئله اجتماع يابي است. در اين روش تركيبي، جواب هاي اوليه توسط روش بهينه‌سازي علف‌هاي هرز توليد مي شوند و در ادامه جواب هاي يافته شده به‌وسيله الگوريتم ژنتيك در فرآيند بهينه سازي، بهبود مي يابند. ارزيابي برازندگي جواب ها، مبتني بر معيار چگالي پودمانگي است. چگالي پودمانگي، معياري با ماهيت بيشينه سازي است كه ميزان كيفيت اجتماعات كشف‌شده را به دست مي دهدمشخص مي كند. به‌منظور بررسي كيفيت جواب هاي الگوريتم پيشنهادي، نتايج اين روش نسبت به چهار الگوريتم علف‌هاي هرز، ژنتيك، الگوريتم كرم شب‌تاب و يك الگوريتم جستجوي كاملاً تصادفي مقايسه شده اند. پارامترهاي اين الگوريتم ها به كمك يك رويكرد طراحي آزمايش‌ها تنظيم شده اند. اين مقايسات بر روي شبكه هاي محك گوناگون و با ابعاد متفاوت انجام شده اند. با توجه به نتايج به‌دست‌آمده، مي توان دريافت كه الگوريتم پيشنهادي قادر به توليد جواب هايي باكيفيت بالا است. اعتبارسنجي نتايج الگوريتم ها نيز توسط شاخص اطلاعات متقابل نرمال انجام شده است.

Detecting existing communities in social networks is a significant process in analyzing these networks. In recent years, the community detection problem has become popular for detecting structures of social networks. Due to high importance of this problem, various algorithms have been developed in the literature to find communities of complex networks. In this research, a hybrid meta-heuristic consisting of the genetic algorithm (GA) and the invasive weed optimization (IWO) method have been proposed which aims to find appropriate and high quality solutions for the community detection problem. In this hybrid method, the initial solutions are generated via the IWO algorithm, and thereafter the optimization process is continued by means of the genetic algorithm. The proposed algorithm is known as the GAIWO. Fitness of solutions is determined in terms of the modularity density criterion. Modularity density has a maximization essence and determines the quality of detected communities. To evaluate the efficiency of the GAIWO, four other methods have been employed and their results have been compared. Comparisons have been made on several networks with different sizes. Input parameters of all algorithms have been tuned by a design of experiments approach. The outputs indicate appropriate efficiency of the proposed algorithm. Validation of the results have been investigated by means of the Normalized Mutual Information (NMI) metric.