تشخيص جوامع در شبكه‌هاي اجتماعي با تركيب الگوريتم ICA و ضريب خوشه‌بندي

مسئله تشخيص جوامع از مسائل مهم در بسياري از زمينه‌ها مثل شبكه‌هاي كامپيوتري، سيستم‌هاي توصيه‌گر و شبكه‌هاي بي‌سيم است و لذا محققان زيادي از رشته‌هاي مختلف، تحقيقات متنوعي را پيرامون آن انجام داده‌اند. در روش پيشنهادي قصد داريم ابتدا معايب الگوريتم رقابت استعماري را با استفاده از عملگرهاي اصلي الگوريتم ژنتيك رفع كنيم و سپس با تركيب الگوريتم رقابت استعماري با ضريب خوشه‌بندي و گشت بسته دقت تشخيص جامعه را در شبكه‌هاي اجتماعي نسبت به روش‌هاي قبلي بالا ببريم. براي اين منظور در الگوريتم رقابت استعماري از عملگر برش در هنگام حركت مستعمره‌ها به سمت استعمارگر و از عملگر جهش براي انتخاب يكي از كشورها به صورت تصادفي استفاده كرده و همچنين براي تعيين استعمارگر‌ها و محاسبه هزينه كل امپراتوري از ضريب خوشه‌بندي و گشت بسته استفاده مي‌كنيم. براي ارزيابي روش پيشنهادي از دو معيار اطلاعات متقابل هنجارسازي ‌شده و پيمانه استفاده شده است؛ همچنين مقايسه‌ها را بر روي دو مجموعه داده يوتيوب و فيسبوك انجام داده‌ايم. نتايج نشان مي‌دهد روش پيشنهادي از نظر معيار اطلاعات متقابل هنجارسازي شده بر روي مجموعه داده يوتيوب، در مقايسه با روش Fast Greedy به ميزان 0.41 درصد و بر روي مجموعه داده فيسبوك در مقايسه با روش GCE به ميزان 0.37 درصد بهبود داشته است؛ همچنين روش پيشنهادي از نظر معيار پيمانه بر روي مجموعه داده يوتيوب، در مقايسه با روش DDA-M1 به ميزان 0.11 درصد و بر روي مجموعه داده فيسبوك در مقايسه با روش DDA-M2 به ميزان 0.24 درصد بهبود داشته است. به طور كلي روش پيشنهادي، تشخيص جامعه را نسبت به روش‌هاي ديگر بهبود بيشتري مي‌دهد.