تشخیص اجتماع در شبکه های اجتماعی با رویکرد یادگیری عمیق (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تشخیص اجتماع یک موضوع مهم در تحلیل شبکه های اجتماعی می باشد و برای درک ساختار شبکه های پیچیده ضروری است. در تشخیص اجتماع هدف، شناسایی گروه هایی است که گره های گروه به طور متراکم با هم در ارتباط هستند. در این تحقیق، ضمن ارائه معماری جامع و یکپارچه ای از روش های تشخیص اجتماع با یادگیری عمیق، از تکنیک های یادگیری عمیق برای کنترل داده های گراف با ابعاد بالا استفاده شده است. روش های کلاسیک تشخیص اجتماع برای شبکه های با ابعاد پایین مناسب هستند. از این رو، کاهش ابعاد شبکه های پیچیده موضوع مهمی در تشخیص اجتماع به شمار می آید. در این تحقیق، ابتدا ماتریس شباهت جدیدی از توپولوژی شبکه برای آشکار کردن اتصالات مستقیم و غیر مستقیم بین گره ها ایجاد می شود. سپس یک خودمرزگذار پشته براساس یادگیری بدون نظارت برای کاهش ابعاد طراحی شده است. پس ازآن الگوریتم های مختلف خوشه بندی تست و برای تشحیص اجتماعات به کار برده می شوند. ارزیابی مدل پیشنهادی تحقیق، با انجام آزمایش های متعدد بر روی معیار استاندارد و شش مجموعه داده واقعی کاراته، دلفین ها، فوتبال، کتاب های سیاسی،کرا و شهروند مورد بررسی قرار می گیرد. نتایج ارزیابی روش پیشنهادی، در مجموعه داده فوتبال در مقایسه با دوازده الگوریتم مطرح به کار رفته در تحقیقات گذشته دقت بالاتری در شناسایی اجتماعات دارد و در سایر مجموعه داده ها در مقایسه با سیزده الگوریتم بهبود قابل توجهی را نشان می دهد.Community Detection in Social Networks Using Deep Learning Approach
Community detection is an important topic for social network analysis and is also essential to understanding complex networks structure. In community detection, the goal is to determine the groups in which the group nodes are densely connected to each other. In this research, deep learning techniques have been used to control graph data with high dimensions, while presenting a comprehensive and integrated architecture of community recognition methods with deep learning. Community detection classic approaches are suitable for networks with low dimensions. Therefore, the reduction of complex network dimensions is counted as a significant topic in community detection. In this paper, in order to reveal the direct and indirect connections among nodes, first a new similarity matrix of network topology is built. Then, a stacked auto-encoder is designed to decrease dimensions based on unsupervised learning. In order to detect communities, various clustering algorithms are then tested and utilized. Evaluation of the proposed research model is performed by surveying various experiments on standard criteria and six real data sets of Karate, Dolphins, Football, Polbooks, Cora and Citeseer. The proposed method evaluation outcomes show a higher accuracy in the identification of communities in the football data set compared to the twelve proposed algorithms used in past researches, and show a significant improvement in other data sets compared to the thirteen algorithms.
تبلیغات
