استفاده از الگوريتم GSO براي تشخيص جوامع در شبكه‌هاي اجتماعي پويا

Using garter snakes optimization algorithm for community detection in dynamic social networks

با گسترش روزافزون استفاده از ارتباطات در دنياي مجازي و رشد تعداد كاربران شبكه هاي اجتماعي، مطالعه و تحليل اين شبكه ها ضروري به نظر مي رسد. يكي از زمينه هاي مورد توجه تحليل گران شبكه هاي اجتماعي، تشخيص جوامع در اين شبكه ها است. روش هاي متفاوتي براي تشخيص جوامع در سالهاي اخير ارائه شده است كه هر كدام از اين روش ها تعاريف متفاوتي از جامعه دارند. يك جامعه معمولاً به گروهي از گره ها گفته مي شود كه در بين آنها ارتباط بيشتري نسبت به بقيه گره ها در جامعه وجود دارد. در اين مقاله يك الگوريتم جديد تشخيص جامعه مبتني بر هوش جمعي مارگارتر ارائه مي شود. الگوريتم پيشنهادي با كدگذاري مارها (گره‌ها) و قرار دادن گره‌ها در جامعه به تشكيل جوامع پرداخته و براي بررسي درستي جامعه بندي از تابع تناسب استفاده مي‌كند كه موقعيت گره در جامعه را با جامعه اصلي مقايسه مي كند. نتايج ارزيابي الگوريتم پيشنهادي در مقايسه با الگوريتم BAT از نظر معيارهاي درستي، فراخواني، اندازه‌گيري F-و صحت نشان مي دهد كه از عملكرد بهتري برخوردار است.

With the increasing use of communication in the virtual world and the growing number of users of social networks, the study and analysis of these networks seems necessary. One of the areas of interest for social media analysts is identifying communities on these networks. Different methods have been proposed to identify communities in recent years, each of which has different definitions of society. A community is usually called a group of nodes between which there is more connection than other nodes in the community. In this paper, a new community recognition algorithm based on Margaret's collective intelligence is presented. The proposed algorithm forms communities by encoding snakes (nodes) and placing nodes in the community and uses the proportionality function to check the correctness of the community, which compares the node position in the community with the main community. The evaluation results of the proposed algorithm show better performance compared to the BAT algorithm in terms of accuracy, calling, F-measurement and accuracy