تشخیص اجتماع در شبکه های اجتماعی با رویکرد یادگیری عمیق
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
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 ارایه 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.
کلیدواژگان:
زبان:
فارسی
صفحات:
83 تا 112
لینک کوتاه:
magiran.com/p2614664
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!