روشی ترکیبی برای شناسایی جوامع مبتنی بر تعاملات کاربران، توپولوژی شبکه و کاوش الگوی تکرارشونده

در سال‌های اخیر، شناسایی جوامع در شبکه‌های اجتماعی به یکی از مهم‌ترین حوزه‌های تحقیقاتی تبدیل شده است. اکثر روش‌های تشخیص جامعه از اطلاعات توپولوژیکی شبکه استفاده می‌کنند. درحالی‌که انواع مختلفی از تعاملات در شبکه‌های اجتماعی وجود دارد که چنانچه با توپولوژی شبکه ترکیب شود باعث بهبود دقت در شناسایی جوامع می‌شود. در این مقاله، روشی ترکیبی برای شناسایی جوامع، مبتنی بر توپولوژی شبکه، درجه تعامل بهبود یافته کاربران و کاوش الگوی تکرارشونده بر روی تعاملات کاربران پیشنهاد می‌شود. جوامع اولیه، بر اساس مرکزیت بردار ویژه و کاوش الگوی تکرارشونده، حول گره‌های اثرگذار شکل می‌گیرند. جوامع شکل گرفته، مبتنی بر ماژولاریتی و درجه تعامل بهبود یافته کاربران گسترش می‌یابند. در اغلب روش‌ها، تعاملات مستقیم دو کاربر و تعاملات آن‌ها با همسایگان مشترک برای محاسبه درجه تعامل دو کاربر در نظر گرفته می‌شود. در نظر گرفتن تعاملات بین همسایگان مشترک، دقت درجه تعاملات کاربران را بهبود می‌بخشد. در مقاله جاری، برای محاسبه درجه تعامل بین کاربران، معیاری بهبود یافته مبتنی بر ضریب خوشه‌بندی محلی و تعاملات بین همسایگان مشترک ارائه می‌شود. نتایج ارزیابی روی دو مجموعه ‌داده هیگزتوییتر و فلیکر با استفاده از شاخص‌های nmi، امگا و چگالی داخلی نشان می‌دهد که روش پیشنهادی در مقایسه با پنج روش‌ شناسایی جامعه دیگر عملکرد بهتری دارد.

a hybrid method for community detection based on user interactions, topology and frequent pattern mining

in recent years, community detection in social networks has become one of the most important research areas. one of the ways to community detection is to use interactions between users. there are different types of interactions in social networks, which, if used together with network topology, improve the precision of community identification. in this paper, a new method based on the combination of user interactions and network topology is proposed to community detection. in the community formation stage, the effective nodes are identified based on eigenvector centrality, and the primary communities around these nodes are formed based on frequent pattern mining. in the community expansion phase, small communities expand using modularity and the degree of interactions among users. to calculate the degree of interaction between users, a new measure based on the local clustering coefficient and interactions between common neighbors is proposed, which improves the accuracy of the degree of user interactions. analysis of higgs twitter and flickr datasets utilizing internal density metric, nmi and omega demonstrates that the proposed method outperforms the other five community detection methods.