تشخيص انجمن در شبكه‌هاي پيچيده پويا مبتني بر تعبيه گراف و خوشه‌بندي جمعي

امروزه شبكه‌هاي پيچيده پويا به يكي از اركان مهم زندگي بشر تبديل شده‌اند و تشخيص انجمن در اين شبكه‌ها يكي از مهم‌ترين مسائل در تحليل آنها محسوب مي‌شود. در اين مقاله يك روش تشخيص انجمن مبتني بر تعبيه گراف و روش يادگيري جمعي ارائه شده كه مي‌تواند درجه پيمانه‌اي‌بودن هر انجمن را حداكثر نمايد. روش‌هاي تعبيه گراف يا يادگيري نمايش كم‌بعد از گره‌ها در گراف به علت قابليت كاربردي گسترده آن در عملكرد شبكه‌هاي پيچيده پويا مانند تشخيص انجمن در شبكه، بسيار مورد توجه قرار گرفته‌اند. در اين مقاله، يك روش تعبيه گراف پويا مبتني بر يادگير عميق پيشنهاد شده كه گراف خروجي از مرحله تعبيه گراف را به‌عنوان ورودي به مدل يادگير جمعي مي‌دهد تا با دقت قابل قبولي، انجمن‌ها را در شبكه تشخيص دهد. همچنين يك الگوريتم حريصانه جديد به نام پيوند جمع براي بهينه‌سازي تابع هدف براي مجموعه داده‌هاي مقياس بزرگ در زمان بسيار كوتاه ارائه گرديده است. نشان داده شده كه پارتيشن توافقي پيشنهادي نسبت به پارتيشن‌هاي به‌دست‌آمده از كاربرد مستقيم روش‌هاي خوشه‌بندي جمعي رايج، به ساختارهاي خوشه‌اي واقعي نزديك‌تر است. روش پيشنهادي به‌دليل استفاده از روش پيش‌پردازش مبتني بر تعبيه گراف پيشنهادي و همچنين استفاده از روش خوشه‌بندي جمعي، توانسته كارايي مناسبي را در مقايسه با ساير روش‌هاي رقيب از خود نشان دهد. نتايج تجربي آزمايش‌هاي انجام‌شده حاكي از برتري روش پيشنهادي در مقايسه با روش‌هاي رقيب است.