ارزیابی روش‌های تعبیه‌ی گره برای تشخیص جوامع ساختاری در شبکه‌های فاقد ویژگی

در سال‌های اخیر، روش‌های تعبیه‌ی گراف به‌عنوان رویکردی موثر برای نمایش عددی ساختارهای پیچیده‌ی شبکه‌ها مطرح شده‌اند. در این پژوهش، کاربرد این روش‌ها در مسئله‌ی تشخیص اجتماعات بدون استفاده از ویژگی‌های معنایی گره‌ها مورد بررسی قرار گرفته است. برای این منظور، دو روش تعبیه‌ی گراف deepwalk و node2vec برای نگاشت فضای گرافی به فضای عددی به‌کار گرفته شدند و پس از آن، فرایند خوشه‌بندی بر روی بردارهای تعبیه‌شده انجام شد. به‌منظور ارزیابی عملکرد، نتایج این رویکرد با الگوریتم لووین که مستقیماً بر اساس ساختار توپولوژیکی گراف عمل می‌کند، مقایسه گردید. نتایج نشان دادند که اگرچه روش‌های تعبیه می‌توانند الگوهای کلی شبکه را در فضای عددی بازنمایی کنند، اما در معیارهای گرافی مانند ماژولاریتی دقت کمتری نسبت به الگوریتم لووین دارند. در مقایسه بین دو روش تعبیه در تشخیص اجتماعات، روش node2vec کارایی بیشتری نشان داده است. دلایل این برتری را می توان در مکانیزم هوشمندتر پیاده‌روی در روش node2vec دانست که منجر به مدلسازی هوشمندتر ساختار همسایگی شده است.

evaluating node embedding methods for structural community detection in attribute-free networks

in recent years, graph embedding methods have emerged as effective approaches for representing complex network structures in a numerical space. in this study, the application of such methods to the community detection problem without semantic node attributes was investigated. specifically, the deepwalk and node2vec algorithms were employed to map the graph topology into an embedding space, followed by a numerical clustering process on the resulting embeddings. to assess their effectiveness, the obtained results were compared with those of the louvain algorithm, which directly optimizes community structure based on the graph’s topology. the results indicate that although embedding-based methods can capture general structural patterns of a network, they yield lower performance in graph-oriented metrics such as modularity compared to the louvain algorithm. in the comparison between the two embedding methods for community detection, node2vec has demonstrated superior performance. the reasons for this advantage can be attributed to the smarter walking mechanism in node2vec, which leads to a more intelligent modeling of the neighborhood structure.