خوشه بندی گراف های احتمالاتی بزرگ با رویکرد همبستگی احتمالی

خوشه بندی روشی جهت گروه بندی اشیا مشابه به مجموعه های مرتبط است. با افزایش نمایی حجم داده ها، روش های قدرتمندی جهت پردازش و استخراج خوشه ها مورد نیاز است. علاوه بر حجم زیاد، ناهمگونی موجود در منابع داده ای نیز چالش دیگری است که منجر به ایجاد مجموعه داده‌های غیرقطعی شده است. چنین داده های بزرگ غیرقطعی را می توان با استفاده از گراف های احتمالاتی نمایش داد. این روش نمایش، خوشه بندی گراف های احتمالاتی بزرگ را به دنبال دارد. در این مقاله قصد داریم که به مسئله خوشه بندی گراف های احتمالاتی بزرگ با رویکرد همبستگی احتمالی بپردازیم. بدین منظور با بهره گیری از معیار حداقل فاصله گراف احتمالاتی اولیه با گراف خوشه بندی احتمالی، به انتخاب محتمل ترین زیرگراف خوشه بندی قطعی با ضرایب همبستگی متفاوت می پردازیم. در این روش تمامی زیرگراف های گراف احتمالاتی ورودی در زمان چندجمله ای مورد بررسی قرار می گیرند. جهت ارزیابی روش پیشنهادی، از گراف احتمالاتی تعاملات میان پروتئین ها استفاده کردیم. نتایج به دست آمده با سه شاخص ارزیابی خوشه ها شامل davies–bouldin، silhouett coefficient و dunn مورد ارزیابی قرار گرفت. نتایج به دست آمده حاکی از این است که خوشه بندی احتمالی با ضریب همبستگی 0.9 بهترین عملکرد را در شناسایی روابط میان پروتئین ها و تعداد خوشه های موجود داشته است.