شناسايي گره هاي مهم در شبكه هاي اجتماعي با استفاده از سيستم DINGA

DINGA: Discovery of Important Nodes in Social Networks Using Genetic Algorithms

يكي از مهم ترين مسائل تحقيقاتي مطرح شده در زمينه شبكه هاي اجتماعي، مسئله شناسايي گره هاي مهم است. شناسايي گره هاي مهم در شبكه هاي اجتماعي با اهداف گوناگوني صورت مي گيرد. از جمله اين اهداف مي توان به پيدا كردن رهبران موجود در شبكه هاي اجتماعي، افراد مناسب در تسريع انتشار تبليغات و غيره، اشاره كرد. تاكنون ويژگي هاي متفاوتي جهت شناسايي گره هاي مهم معرفي شده اند. با توجه به تنوع ساختار هاي گرافي، به كارگيري هر ويژگي به تنهايي و بدون توجه به ساختار گراف، ممكن است نا كارآمد باشد. در اين مقاله با بهره گيري از علوم گراف كاوي و ژنتيك، سيستمي با عنوان DINGA براي شناسايي گره هاي مهم در داده هاي گرافي مربوط به شبكه هاي اجتماعي معرفي شده است. سيستم پيشنهادي ما با به كارگيري تركيبي از 8ويژگي شناسايي گره هاي مهم و وزن دهي هوشمند به اين ويژگي ها، به شناسايي گره هاي مهم در داده هاي گرافي با ساختاري نا معلوم، مي پردازد. كارايي راهكار پيشنهادي از طريق شبيه سازي بر روي شبكه ايميلي انرون (Enron) بررسي شده است. نتايج حاصل از روش پيشنهادي ما در مقايسه با روش هاي پيشين و همچنين وزن دهي تصادفي به معيار هاي موجود در تركيب، باعث 21 درصد بهبود در مقدار معيار صحت شده است.

Nowadays, the discovery of important nodes is among the main concerns of social networks analysis. Discovering important nodes has been done for wide range of purposes; from discovering leaders in terroristic networks to discovering influential people in advertisement networks. So far different criteria have been introduced for discovery of important nodes. Due to the diversity of graph structures from on side, and generality of previous methods in other side the accuracy of previous methods in discovering the important nodes is very limited. In this paper, a system called DINGA for discovering of important nodes in social networks with an unknown structure has been proposed. Our proposed system discovers the important nodes in social networks by employing a weighted combination of eight informative criteria of important nodes using genetic algorithm. The efficiency of the proposed solution has been investigated through simulation on the Enron e-mail network. Our proposed method outperforms the previous methods, in addition to random weight learner, 21% with respect to accuracy.