پیشنهاد و معرفی یک الگوریتم جدید تشخیص جامعه با روش‌های یادگیری عمیق نیمه نظارت شده

تحلیل شبکه اجتماعی به عنوان روشی برای آشکار سازی و شناسایی الگوهای مفید اجتماعی در اجتماع میان کاربران رواج یافته است. با این حال رشد نمایی و پیوسته این شبکه ها (بر حسب تعداد کاربران و تنوع برهمکنش های مختلفی که این شبکه ها ممکن می کنند) توسعه روش های مختلف تشخیص تشکل موثر و کارآمد را به یک کار محاسباتی چالش برانگیز تبدیل کرده است. در این مقاله یک روش نوآورانه برای تشخیص تشکل نیمه نظارت شده، بهره گیری از شبکه های عصبی معمولی برای بکارگیری همزمان ویژگی های مختلف یک شبکه (مانند اطلاعات توپولوژیک و زمینه ای) پیشنهاد می کنیم. هزینه محاسباتی با دانش نمایش دهنده اتصالات شبکه روی معیارهای پراکنده خاص می تواند تعداد عملیات هایی که باید صریحاً انجام شوند را کاهش دهد، بهینه سازی می شود. با ارزیابی گسترده سیستم ما روی مجموعه داده های بزرگ (مصنوعی و واقعی) نشان می دهیم که روش ما بهتر از انواع روش های جدید کنونی بر حسب زمان اجرا و f1 کلان و ریز عمل می کند.