الگوريتمي مبتني بر انتشار برچسب در تشخيص اجتماعات در شبكه‌هاي اجتماعي

A Label Propagation Based Algorithm for Community Detection in Social Networks

تجزيه و تحليل شبكه‌هاي اجتماعي با حجم زيادي از داده‌ها و ساختار ارتباطي پيچيده، فرايند بسيار دشوار و زمان‌بري است. تشخيص اجتماعات يكي از چالش‌هاي مهم در تحليل شبكه‌هاي اجتماعي است. اجتماع در واقع مجموعه‌اي از افراد يا سازمان‌ها است كه چگالي ارتباطي آن‌ها با هم بيشتر از ساير موجوديت‌هاي شبكه است. تشخيص اجتماعات و يا خوشه‌بندي مي‌تواند ساختار گروه‌ها در شبكه‌ها و يا ارتباطات بين موجوديت‌ها را آشكار نمايد. الگوريتم‌هاي انتشار برچسب بر مبناي تاثير گره همسايه نسبت به الگوريتم‌هاي سنتي تشخيص اجتماعات مانند خوشه‌بندي پيچيدگي كمتري دارند كه قادر به شناسايي جوامع همپوشان نيز هستند. در روش پيشنهادي ما كه براساس الگوريتم انتشار برچسب بر مبناي تاثير گره همسايه است، گره‌هاي مهم‌تر با احتمال بيشتري برچسبشان را منتشر مي‌كنند، ضمن اينكه گره‌هاي كم اهميت هم شانس انتشار برچسب را دارند. ميزان مشابهت گره‌ها و تاثير گره‌ها در يك شبكه اجتماعي وابسته به پارامتر طول مسير بين گره‌ها است. در روش ارائه شده افزايش اين پارامتر منجر به شناسايي دقيق‌تر جوامع همپوشان وپايدار مي‌شود. الگوريتم پيشنهادي با تعداد تكرار كمتر، در نتيجه در زمان كمتر جوامع همپوشان را با همان دقت الگوريتم‌هاي قبلي شناسايي مي‌كند. الگوريتم در شبكه‌هاي اجتماعي واقعي و مصنوعي با گراف بدون وزن و گراف وزن‌دار با وزن دهي توسط معيار شباهت جاكارد پياده‌سازي شده است، كه در همه آن‌ها زمان اجرا بهبود يافته است.

Social network analysis with large volumes of data and complex communication structures is so difficult and time-consuming. Community detection is one of the major challenges in network analysis. A community is a set of individuals or organizations whose communication density is more than other network entities. Community detection or clustering can reveal the structure of groups in social networks, or relationships between entities. The label propagation algorithms with neighbor node influence have less complexity than traditional algorithms, such as clustering, to recognize communities. Also, the algorithms can identify overlapping communities. In our label propagation algorithm, which is based on the neighbor node influence, important nodes are more likely to publish their labels, while less important nodes have a small chance of spreading the label. The degree of similarity of nodes and the effect of nodes in a social network depends on the parameter of path length between nodes. In the proposed method, increasing this parameter leads to more accurate identification of overlapping and stable communities. The proposed algorithm detects overlapping communities with the same accuracy as the previous algorithms with fewer iterations, in less time. The algorithm is implemented on real and artificial social networks with weightless graphs and weighted graphs with weighting by Jacquard similarity criterion, in all of which the execution time is improved.