مروری بر روش‌های مدل‌سازی همپوشانی در الگوریتم‌های انجمن یابی شبکه‌های اجتماعی

شبکه اجتماعی شامل تعدادی از اشخاص است که به‌واسطه یک یا چند نوع از روابط یا اشتراکات، با یکدیگر ارتباط دارند. پیدایش و رشد این شبکه‌ها در فضای مجازی و استفاده روزافزون از آنها، باعث شده است تا تحلیل شبکه‌های اجتماعی به‌عنوان یک حوزه تحقیقاتی پرمخاطب و میان‌رشته‌ای مطرح باشد. هر انجمن شامل چند عضو شبکه اجتماعی است که با توجه به نحوه دسته‌بندی اعضای شبکه تعیین می‌شود. مطالعه انجمن‌ها، یک مبحث مهم و کلیدی در تحلیل شبکه‌های اجتماعی است که ویژگیها و الگوهای مشخص یا مخفی در لایه‌های یک شبکه را نمایان می‌سازد و موجبات درک بهتر ساختار و رفتار آن را فراهم می‌کند. در این مقاله، ابتدا الگوریتم‌های انجمن‌یابی بر اساس رویکرد آنها به شکل‌گیری انجمن و نیز مدل‌سازی مفهوم همپوشانی (امکان تعلق هم‌زمان اعضا به دو یا چند انجمن) در شش دسته شامل روش‌های طیفی و مرکزگرایی، تابع کیفیت (چگالی)، انتشار برچسب، ساختار، نزدیکی، و دسته‌بندی یال‌ها، طبقه‌‌بندی و بررسی‌شده‌اند. در ادامه، روش‌های‌ انجمن‌یابی روی چهار دادگان با ساختار متفاوت، پیاده‌سازی و مقایسه شده‌‌اند. نتایج حاصله از معیارهای ارزیابی کیفیت روی چهار دادگان انتخابی، حاکی از آن است که هر روش روی توپولوژی و ویژگی خاصی بهتر عمل می‌کند. بنابراین هیچ روشی نمی‌تواند به‌عنوان بهترین روش انجمن‌یابی برای تمام شبکه‌ها مطرح باشد.

Modelling of Overlapping by Community Detection Algorithms in Social Networks: A Review

A social network consists of some people who are related to each other through some similarities. The emergence and evolution of these networks and increasing rate of using them is the major cause for social network analysis to be a hot research topic. Using various algorithms, each network can be divided into some communities. So, each community includes some members of the social network. Community detection is one of the most important and fundamental tasks in network analysis. It is a step towards understanding the patterns and characteristics of the complex systems they represent. In this paper, the state of the art algorithms for community detection are categorized into six categories (spectral clustering and centrality, quality function, Label propagation, Structure, Closeness, link clustering) based on their definition of the community and modelling the concept of overlapping (existence of the nodes with membership in multiple communities). Next, these methods are implemented on various datasets and compared to each other. It is obvious from the results of performance measures, even in this small collection of data sets, no algorithm can be considered as the best community detection method for all kinds of networks.