خوشه بندي گراف هاي احتمالاتي بزرگ با رويكرد همبستگي احتمالي

خوشه بندي روشي جهت گروه بندي اشيا مشابه به مجموعه هاي مرتبط است. با افزايش نمايي حجم داده ها، روش هاي قدرتمندي جهت پردازش و استخراج خوشه ها مورد نياز است. علاوه بر حجم زياد، ناهمگوني موجود در منابع داده اي نيز چالش ديگري است كه منجر به ايجاد مجموعه داده‌هاي غيرقطعي شده است. چنين داده هاي بزرگ غيرقطعي را مي توان با استفاده از گراف هاي احتمالاتي نمايش داد. اين روش نمايش، خوشه بندي گراف هاي احتمالاتي بزرگ را به دنبال دارد. در اين مقاله قصد داريم كه به مسئله خوشه بندي گراف هاي احتمالاتي بزرگ با رويكرد همبستگي احتمالي بپردازيم. بدين منظور با بهره گيري از معيار حداقل فاصله گراف احتمالاتي اوليه با گراف خوشه بندي احتمالي، به انتخاب محتمل ترين زيرگراف خوشه بندي قطعي با ضرايب همبستگي متفاوت مي پردازيم. در اين روش تمامي زيرگراف هاي گراف احتمالاتي ورودي در زمان چندجمله اي مورد بررسي قرار مي گيرند. جهت ارزيابي روش پيشنهادي، از گراف احتمالاتي تعاملات ميان پروتئين ها استفاده كرديم. نتايج به دست آمده با سه شاخص ارزيابي خوشه ها شامل Davies–Bouldin، Silhouett coefficient و Dunn مورد ارزيابي قرار گرفت. نتايج به دست آمده حاكي از اين است كه خوشه بندي احتمالي با ضريب همبستگي ۰.۹ بهترين عملكرد را در شناسايي روابط ميان پروتئين ها و تعداد خوشه هاي موجود داشته است.