تشخیص جامعه مبتنی بر تعامل همسایگان گره با جامعه به کمک مدل مولد احتمالاتی

تشخیص اجتماع یکی از شاخه‌های مهم و پرکاربرد در حوزه تحلیل شبکه‌های پیچیده است و می‌تواند اطلاعات بسیار مفیدی را از ساختار ارتباطات بین افراد و تعاملاتشان نشان دهد. شناسایی گرو‌ه‌های ضمنی و اجتماعات غیر آشکار شکل‌گرفته در شبکه‌های پیچیده یکی دیگر از اهداف تشخیص جوامع است. اجتماع یا ماژول یا خوشه، مجموعه‌ای از گره‌های یک گراف است که درون یک گروه سازمان‌دهی شده‌اند و در آن احتمال وجود یال بین اعضای یک گروه خیلی بیشتر از احتمال وجود یال با اعضای سایر گروه‌ها باشد. به‌عبارت‌دیگر اجتماع، مجموعه افراد یا سازمان‌هایی هستند که چگالی ارتباط آن‌ها باهم بیشتر از سایر موجودیت‌های شبکه است. در این پژوهش مدلی مبتنی بر تشخیص اجتماع محلی با عنوان تشخیص جامعه احتمالی مبتنی بر سطح ارتباط همسایگان با جامعه ارائه‌شده است که به‌اختصار prbcd نام‌گذاری شده است. مدل پیشنهادی در ابتدا با روشی ابتکاری به تشکیل اجتماعات اولیه می‌پردازد و پس‌ازآن با استفاده از اجتماعات اولیه به‌دست‌آمده، به ازای هر گره سطح ارتباط همسایگان آن گره به اجتماعات محلی اولیه را به ازای هر جامعه به‌صورت جداگانه و با تاثیر دادن چگالی آن جامعه، محاسبه می‌کند. ارزیابی روش پیشنهادی و مقایسه نتایج حاصل از آن با سایر روش‌های تشخیص جامعه شش مجموعه داده واقعی انتخاب‌شده است. نتایج ارزیابی‌ها نشان از عملکرد مناسب و قابل‌قبول مدل پیشنهادی دارد؛ به‌طوری‌که روش پیشنهادی در تعدادی از مجموعه داده‌ها بهتر از روش‌های مطرحِ مورد مقایسه عمل کرده و در مابقی مجموعه داده‌ها نیز هم‌تراز روش‌های مطرح، ظاهرشده است.

community detection based on the interaction of node neighbors with the community using a probabilistic generative model

community detection is one of the most important and widely used branches in the field of complex network analysis and it can show adjective information about the structure of communication between people and their interactions. identifying implicit groups and non-obvious communities formed in complex networks is another goal of community detection. a community, module, or cluster is a set of nodes in a graph organized in a group where the probability of edges between members of one group is much higher than the probability of members' edges in other groups. in other words, the community is a collection of people or organizations whose density in communication is higher than other network entities. in this research, a model based on local community detection is presented as possible community detection based on the level of communication between neighbors and the community, which is named prbcd for short. the proposed model deals with the formation of primary communities with an innovative method, and then by using the obtained communities, for each node, the level of connection of that node's neighbors to the primary local communities is calculated separately for each community. the prcd method consists of two main parts; in the first part and to start the work, an initial community detection based on a local approach for initialization to the community node membership matrix is presented. the evaluation results show the appropriate and acceptable performance of the proposed model.