روشي تركيبي براي شناسايي جوامع مبتني بر تعاملات كاربران، توپولوژي شبكه و كاوش الگوي تكرارشونده

در سال‌هاي اخير، شناسايي جوامع در شبكه‌هاي اجتماعي به يكي از مهم‌ترين حوزه‌هاي تحقيقاتي تبديل شده است. اكثر روش‌هاي تشخيص جامعه از اطلاعات توپولوژيكي شبكه استفاده مي‌كنند. درحالي‌كه انواع مختلفي از تعاملات در شبكه‌هاي اجتماعي وجود دارد كه چنانچه با توپولوژي شبكه تركيب شود باعث بهبود دقت در شناسايي جوامع مي‌شود. در اين مقاله، روشي تركيبي براي شناسايي جوامع، مبتني بر توپولوژي شبكه، درجه تعامل بهبود يافته كاربران و كاوش الگوي تكرارشونده بر روي تعاملات كاربران پيشنهاد مي‌شود. جوامع اوليه، بر اساس مركزيت بردار ويژه و كاوش الگوي تكرارشونده، حول گره‌هاي اثرگذار شكل مي‌گيرند. جوامع شكل گرفته، مبتني بر ماژولاريتي و درجه تعامل بهبود يافته كاربران گسترش مي‌يابند. در اغلب روش‌ها، تعاملات مستقيم دو كاربر و تعاملات آن‌ها با همسايگان مشترك براي محاسبه درجه تعامل دو كاربر در نظر گرفته مي‌شود. در نظر گرفتن تعاملات بين همسايگان مشترك، دقت درجه تعاملات كاربران را بهبود مي‌بخشد. در مقاله جاري، براي محاسبه درجه تعامل بين كاربران، معياري بهبود يافته مبتني بر ضريب خوشه‌بندي محلي و تعاملات بين همسايگان مشترك ارائه مي‌شود. نتايج ارزيابي روي دو مجموعه ‌داده هيگزتوييتر و فليكر با استفاده از شاخص‌هاي NMI، امگا و چگالي داخلي نشان مي‌دهد كه روش پيشنهادي در مقايسه با پنج روش‌ شناسايي جامعه ديگر عملكرد بهتري دارد.