بهبود دقت تشخیص جامعه در شبکه های اجتماعی از طریق یک روش ترکیبی مبتنی بر الگوریتم ملخ و اتوانکدر

شبکه‌های اجتماعی به‌عنوان ساختارهای پیچیده و پویا، بستری مناسب برای تحلیل روابط و تعاملات میان افراد فراهم می‌کنند و یکی از مسائل کلیدی در این حوزه، تشخیص جامعه به‌منظور شناسایی گروه‌های منسجم از گره‌ها است. روش‌های سنتی تشخیص جامعه عموماً با محدودیت‌هایی نظیر وابستگی به پارامترهای اولیه، حساسیت به نویز و کاهش کارایی در شبکه‌های پیچیده مواجه‌اند. در این مقاله، روشی ترکیبی مبتنی بر اتوانکدر و الگوریتم فراابتکاری ملخ ارائه شده است که در آن اتوانکدر با استخراج ویژگی‌های نهفته و فشرده‌سازی داده‌ها به بهبود نمایش شبکه کمک کرده و الگوریتم ملخ با بهینه‌سازی ساختار خوشه‌ها، فرآیند تشخیص جامعه را ارتقا می‌دهد. روش پیشنهادی بر روی دو مجموعه‌داده واقعی شامل شبکه کاراته و شبکه دلفین ارزیابی شده و نتایج نشان می‌دهد که در مجموعه‌داده کاراته مقادیر nmi، f1-score و مدولاریتی به‌ترتیب برابر با ‎0.83‎، ‎0.812‎ و ‎0.7468‎ به دست آمده است، در حالی که در مجموعه‌داده دلفین این مقادیر ‎0.88‎، ‎0.847‎ و ‎0.815‎ می‌باشند. این نتایج بیانگر توانایی بالای روش پیشنهادی در شناسایی جوامع منسجم‌تر با دقت و پایداری بیشتر نسبت به روش‌های متعارف بوده و نشان می‌دهد که چارچوب ترکیبی ارائه‌شده از قابلیت تعمیم‌پذیری و مقیاس‌پذیری مناسبی برای کاربرد در شبکه‌های اجتماعی پیچیده برخوردار است.