شناسایی جوامع کارا در شبکه‎های اجتماعی با استخراج فازی پیوندهای معنایی

استخراج جوامع، از موضوعات چالش­برانگیز و مهم در حوزه تحلیل شبکه‎های اجتماعی است. مکانیسم تشخیص جوامعی که به طور همزمان نیازهای توپولوژیکی و معنایی را برآورده سازد، اهمیت بیشتری پیدا کرده ‎است. اکثر مطالعات موجود بر روی ساختار شبکه، بدون توجه به ویژگی‎های معنایی، تمرکز دارند. حال اینکه، معنا و محتوای اجتماعی حاوی داده‎های ارزشمندی در مورد علایق، نگرانی‎ها و احساسات افراد است. راه‎حل‎های معنایی محض، منجر به از دست رفتن اطلاعات توپولوژیکی ارزشمند شبکه می‎شوند. روش‎های ادغامی موجود، ساختار و معنا را به صورت بنیادی و اساسی ترکیب نمی‎کنند. اغلب این الگوریتم‎ها به علت ماهیت طراحی، به یکی از روش‎های مذکور متمایل بوده و عملکرد محدودی دارند. در این مقاله یک روش مبتنی بر منطق فازی جهت شناسایی جوامع ارائه می‎شود. ابتدا معنا و ساختار در یک شبکه مشترک ترکیب و سپس جوامع استخراج می‎گردند. مجموعه‎ای از آزمایش‎های شبیه‎سازی جهت ارزیابی عملکرد روش پیشنهادی در مقایسه با سایر الگوریتم‎های موجود در سه زمینه ساختاری، معنایی و ادغامی با استفاده از مجموعه داده‎های مصنوعی و طبیعی در اندازه‌های مختلف گره‌ها، یال‎ها، ویژگی‌ها انجام شده‎است. نتایج حاصل نشان می‌دهند، روش پیشنهادی در رابطه با انسجام شبکه و ویژگی‌های گره‌ها به طور موثری عمل می‌کند.

discovering effective communities in social networks using fuzzy semantic relations elicitation

discovering communities is a fundamental problem in understanding network performance for social network analysis. traditional community detection methods merely consider the network topologies. nonetheless, social media contains valuable data about people’s interests, concerns, and sentiments, which is not reflected in the structure. the semantic solutions eventuate to the mislay of precious structural information. most existing combinatorial methods favor one of the mentioned kinds and have limited performance. this paper introduces a 2-phase way based on fuzzy inferences to determine effective social network communities.  a series of real-life and synthetic networks have been used to evaluate the proposed method compared with several relevant algorithms. the experimental results proved that the proposed approach performs better in detecting meaningful communities and is more effective concerning network coherence and node attributes.