استفاده از الگوریتم Gso برای تشخیص جوامع در شبکه‌های اجتماعی پویا

با گسترش روزافزون استفاده از ارتباطات در دنیای مجازی و رشد تعداد کاربران شبکه های اجتماعی، مطالعه و تحلیل این شبکه ها ضروری به نظر می رسد. یکی از زمینه های مورد توجه تحلیل گران شبکه های اجتماعی، تشخیص جوامع در این شبکه ها است. روش های متفاوتی برای تشخیص جوامع در سالهای اخیر ارائه شده است که هر کدام از این روش ها تعاریف متفاوتی از جامعه دارند. یک جامعه معمولاً به گروهی از گره ها گفته می شود که در بین آنها ارتباط بیشتری نسبت به بقیه گره ها در جامعه وجود دارد. در این مقاله یک الگوریتم جدید تشخیص جامعه مبتنی بر هوش جمعی مارگارتر ارائه می شود. الگوریتم پیشنهادی با کدگذاری مارها (گره‌ها) و قرار دادن گره‌ها در جامعه به تشکیل جوامع پرداخته و برای بررسی درستی جامعه بندی از تابع تناسب استفاده می‌کند که موقعیت گره در جامعه را با جامعه اصلی مقایسه می کند. نتایج ارزیابی الگوریتم پیشنهادی در مقایسه با الگوریتم bat از نظر معیارهای درستی، فراخوانی، اندازه‌گیری-f و صحت نشان می دهد که از عملکرد بهتری برخوردار است.

Using garter snakes optimization algorithm for community detection in dynamic social networks

With the increasing use of communication in the virtual world and the growing number of users of social networks, the study and analysis of these networks seems necessary. One of the areas of interest for social media analysts is identifying communities on these networks. Different methods have been proposed to identify communities in recent years, each of which has different definitions of society. A community is usually called a group of nodes between which there is more connection than other nodes in the community. In this paper, a new community recognition algorithm based on Margaret’s collective intelligence is presented. The proposed algorithm forms communities by encoding snakes (nodes) and placing nodes in the community and uses the proportionality function to check the correctness of the community, which compares the node position in the community with the main community. The evaluation results of the proposed algorithm show better performance compared to the BAT algorithm in terms of accuracy, calling, Fmeasurement and accuracy.