اجتماع‏يابي صفحات وب در شبكه‏هاي اينترنتي داراي ويژگي‏ با استفاده از رويكرد برنامه‏ريزي رياضي

lt;span lang= ARSA dir= RTL gt;اجتماع‏يابي (كشف اجتماعات) يكي از شاخه‏هاي نوظهور و پرطرف‏دار در علم داده‌كاوي و تحليل شبكه‏هاي اجتماعي است كه كاربردهاي فراواني در كشف و تحليل اجتماع‌ها در سايت‌هاي اينترنتي، شبكه‌هاي زيستي، علمي و پژوهشي و غيره دارد. اجتماع‏يابي صفحات اينترنتي مي‏تواند به‌طور ويژه به مديران سايت‏هاي اينترنتي در تخصيص پهناي بهينه به شبكه‏ صفحات وب تحت نظارتشان كمك كند. در اكثر روش‌هاي اجتماع‏يابي موجود فقط از توپولوژي شبكه (ارتباطات، يال‏ها) براي گروه‏بندي گره‏ها (صفحات وب) استفاده مي‏شود؛ درحالي‌كه نتايج پژوهش‏هاي اخير نشان داده ‏است كه اين‏گونه روش‏ها بايد به‌گونه‌اي تغيير كند كه در آن‌ها علاوه بر توپولوژي، ويژگي‌هاي ذاتي گره‏ها نيز در فرآيند اجتماع‏يابي لحاظ شود. ازاين‌رو در اين مقاله براي اولين بار با لحاظ كردنِ هم‌زمانِ ويژگي‌هاي ذاتي صفحات وب و ارتباطات ميان آن‌ها، يك مدل رياضي براي كشف اجتماعات در شبكه‏هاي اينترنتي توسعه داده‌شده است. روش پيشنهادي اين پژوهش بدين‌صورت است كه براي لحاظ كردن ويژگي‏ها در فرآيند اجتماع‏يابي، ابتدا با استفاده از يك رويكرد رياضي، ميزان شباهتِ صفحات وب به كمك يك سنجه شباهت (مانند جاكارد يا ضريب انطباق) و بردار ويژگي‏ها محاسبه و به‌عنوان وزن به يال‌هاي موجود بين آن‌ها در شبكۀ اينترنتي موردنظر افزوده مي‏شود. با اين كار عملاً يك شبكه اينترنتي ويژگي‏دار با يال‌هاي غير موزون به يك شبكه بدون ويژگي با يالهاي موزون تبديل مي‏شود. سپس با استفاده از يك مدل رياضي (كه مختص شبكه‏هايي با يال‌هاي موزون است)، اجتماعات موجود در اين شبكۀ موزون كشف مي‏شود. براي اعتبارسنجي و اثبات كارايي، در قالب آزمون‏هاي فرض آماري ادعاشده است كه كيفيت اجتماعات كشف‏شده توسط رويكرد رياضي پيشنهادي (كه ويژگي‏هاي صفحات وب را لحاظ مي‏كند) به‌طور آماري بهتر از مدل‏هاي رياضي پيشين (كه از ويژگي‏ها چشم‏پوشي مي‏كند) است. نتايج آزمون‏هاي‏ آماري روي شبكه اينترنتي واقعي نشان مي‏دهد كه مدل پيشنهادي اين پژوهش در حالتي كه از معيار جاكارد براي محاسبه ميزان شباهت صفحات وب استفاده مي‏كند به‌طور معني‌داري (با lt;/span gt; lt;span gt;Pvalue=0.01 lt;/span gt; lt;span lang= ARSA dir= RTL gt;) باعث كشف اجتماعاتي بهتر در قياس با مدل‏هاي رياضي پيشين شده است. همچنين نتايج ديگر آزمون‏‏هاي آماري نيز نشان مي‏دهد كه انتخاب سنجۀ شباهتِ متناسب با ماهيت شبكه، تأثير بسزايي در ميزان كيفيت رويكرد پيشنهادي دارد. lt;/span gt;