بهبود خوشه‌بندی شبکه‌های اجتماعی با الگوریتم تکاملی رقابت استعماری و معیار شباهت درونی گره‌های شبکه

به دلیل رشد روز افزون تمایل افراد به عضویت و استفاده از شبکه‌های اجتماعی، برقراری ارتباط و به اشتراک‌گذاری داده‌های موجود در این شبکه‌ها، مورد توجه علوم مختلف همانند علوم سیاسی، روانشناسی، جامعه شناسی، اقتصاد و .... قرار گرفته است. به همین دلیل، محققین اقدام به تشخیص و استخراج روابط بین افراد از داده‌های موجود در این شبکه‌ها، برای ایجاد جوامع دقیق‌تر نموده اند. با این حال هنوز روشی موثر جهت شناسایی و استخراج جوامع، بر مبنای داده‌های شبکه‌های اجتماعی ارایه نشده است.در این مقاله، به منظور خوشه‌بندی دقیق‌تر جوامع موجود در یک شبکه اجتماعی، روشی بر پایه استفاده از الگوریتم فرا ابتکاری تکاملی رقابت استعماری و با انتخاب جمعیت اولیه بر اساس معیار خوشه‌بندی مبتنی بر چگالی معرفی شده است. روش پیشنهادی در مقایسه با الگوریتم رقابت استعماری پایه، به‌طور میانگین مقدار ماژولاریتی را 21.45% افزایش داده و جوامع منسجم‌تری را استخراج نموده است.

Social Network Clustering Enhancement by using Imperial Competitive Evolutionary Algorithm and Inter-Similarity of Network Nodes

Due to the growing desire of people to join and use social networks, communication and sharing data in these networks has been considered by various sciences such as political science, psychology, sociology, economics, etc. Hence, researchers have begun to distinguish and extract relationships between individuals from the data contained in these networks, to create more accurate communities. However, there is still no effective method to identify and extract communities based on social media data.In this article, a method has been proposed for social network accurate clustering by using Imperial Competitive Evolutionary Algorithm (ICEA) and selecting the initial population based on the densitybased clustering criterion. The proposed method has improved the result of modularity about 21.45% in average, compared to rival basic ICEA and extracted more densed communities.