خوشه‌بندي گراف‌هاي احتمالاتي مبتني بر شباهت ساختاري و ويژگي‌هاي همگن

Clustering probabilistic graphs based on structural similarity and homogenous attributes

امروزه گراف‌هاي احتمالاتي در بسياري از كاربردهاي دنياي واقعي توسعه يافته‌اند و تحليل آنها از اهميت ويژه‌اي برخوردار است. خوشه‌بندي به عنوان يكي از مهمترين مسائل در تحليل گراف‌هاي احتمالاتي است كه هدف آن گروه‌بندي متراكم و مطمئني از داده‌هاست. با توجه به احتمالي بودن اتصالات ميان گره‌ها، دستيابي به اين هدف دشوار بوده و نياز به ارائه راهكارهايي جهت پردازش عدم قطعيت در آنهاست. جهت رفع اين چالش، ما در اين مقاله از مجموعه ويژگي‌ گره‌ها بهره برديم كه اين ويژگي‌ها در اكثر شبكه‌هاي احتمالاتي موجود بوده و به توصيف خصوصياتي از آنها مي‌پردازند. در اين راستا ابتدا دو ماتريس شباهت يكي بر اساس اطلاعات ساختاري و ديگري مبتني بر خصوصيات گره‌ها ساخته مي‌شود. در شباهت ساختاري، مجاورت سراسري گره‌ها در كنار مجاورت محلي آنها استفاده شده و به ازاي گره‌هايي با همسايه‌هاي مشترك، شباهت بيشتري به آنها تخصيص مي‌يابد. در ماتريس شباهت مبتني بر ويژگي‌ها، گره‌هايي با ويژگي‌هاي همگن امتياز بيشتري داشته و امكان هم‌خوشه بودن آنها بيشتر است. در ادامه ماتريس وابستگي احتمالي از تركيب ماتريس‌هاي شباهت فوق ساخته شده و سپس از آن جهت افراز نهايي گره‌ها با استفاده از يكي از الگوريتم‌هاي خوشه‌بندي گراف‌هاي احتمالاتي استفاده مي‌شود. نتايج حاصل از اجراي روش پيشنهادي بر روي چهار مجموعه داده واقعي از گراف‌هاي احتمالاتي موجود، نشان دهنده عملكرد مؤثرتر رويكرد پيشنهادي نسبت به روش‌هاي اخير خوشه‌بندي اين نوع گراف‌هاست.