ارائه ي يك روش بهبود يافته مبتني بر انتشار برچسب و رويكرد بهينه سازي ماژولاريتي براي تشخيص جوامع در شبكه هاي اجتماعي پويا

An Improved Method for Community Detection in Dynamic Social Networks Based on Label Propagation and Modularity Optimization

تشخيص جوامع در شبكه­ هاي اجتماعي پويا يكي از مهمترين موضوعات تحقيقاتي است كه در ساليان اخير مورد توجه قرار گرفته شده است. رويكرد­هاي گوناگوني براي تشخيص جوامع در شبكه­ هاي اجتماعي در حالت پويا وجود دارد. از بين رويكرد­ها، رويكرد انتشار برچسب به عنوان يك رويكرد ساده، كارا و تصادفي مطرح شده است. اين رويكرد شامل روش­هاي بسياري است كه غالبا مبتني بر حالت تصادفي اين رويكرد هستند. از ميان اين روش­ها، روش رتبه­ بندي برچسب مبتني بر زمان اين رويكرد را از حالت تصادفي خارج كرده است و به آن قطعيت بخشيده است. البته مسلما اين رويكرد هم با مشكلاتي مواجه است، يكي از مشكلات اين است وقتي يك گره مي ­خواهد به يك جامعه بپيوندد، ساختار دروني آن جامعه جهت پيوستن گره در نظر گرفته نمي ­شود. بنابراين براي حل اين مشكل، يك رويكرد جديد به نام حريصانه به رويكرد انتشار برچسب اضافه شده است. رويكرد جديد ارائه­ شده به همراه روش رتبه ­بندي برچسب مبتني بر زمان و نسخه ­ي غير ­اشتراكي روش انتشار برچسب برجسته ­ي گسترش ­يافته در مجموعه­ هاي داده ­اي مورد ارزيابي اعم از واقعي و ساختگي پياده­ سازي شده ­اند. نتايج نشان مي ­دهد كه روش پيشنهادي نسبت به دو روش ديگر از لحاظ ميزان صحت براساس دو پارامتر ماژولاريتي و اطلاعات متقابل نرمال شده بهتر عمل كرده است.

Community detection in dynamic social networks is one of the most important research topics that has been considered in recent years. There are various approaches to detecting communities in dynamic social networks, among which the label propagation approach has chosen due to simplicity and efficiency. This approach involves many methods that are often random. Among these methods, LabelRankT(Time) is a deterministic method. Of course, this method also has problems, one of the problems is that when a node wants to join a community, the internal structure of that community is not considered. So, for solving this problem, a greedy approach has been used to improve the label publishing approach. The proposed approach and other evaluated methods are tested in real and Synthetic datasets. The results show that the proposed method has performed relatively better than the other methods in terms of accuracy and modularity.