ارائه روشي جهت شبكه‌هاي اجتماعي چند لايه‌اي پويا جهت كشف گروه‌هاي تاثيرگذار مبتني بر تركيبب الگوريتم تكاملي جهش قورباغه و خوشه‌بندي C-means

Presenting a model for Multi-layer Dynamic Social Networks to discover Influential Groups based on a combination of Developing Frog-Leaping Algorithm and C-means Clustering

امروزه علم و فن ­آوري با آهنگي شتابناك در حال رشد است و شبكه­ هاي اجتماعي پيچيده به بخشي ضروري از زندگي تبديل­ شده ­اند، آن­گونه­ كه بحث جدايي مردم از شبكه ­هاي درهم ­پيچيده ­اي كه مبتني ­بر نيازهاي اساسي زندگي است بحث ناگزيري در زندگي روزمره و عرصه دانش است. در پژوهش پيش­ رو مدلي براي شبكه ­هاي اجتماعي چندلايه ­اي پويا براي كشف گروه­ هاي تأثيرگذار، مبتني ­بر تركيبب الگوريتم تكاملي جهش قورباغه و خوشه ­بندي C-means ارائه ­شده ­است. بدين ترتيب كه پس از جمع‌آوري داده‌ها به پاك سازي و نرمال سازي آن­ها پرداخته شد تا داده‌هاي مطلوب منجر به شناسايي افراد و گروه‌هاي مؤثر شود كه در ادامه­ كار ماتريس تصميم شكل­ گرفت و از روي آن شناسايي و خوشه‌بندي(مبتني­ بر خوشه‌بندي فازي) انجام ­شد و اهميت گروه‌ها نيز مشخص­ گرديد. براي دستيابي به افراد و گروه‌هاي تأثيرگذار در شبكه‌هاي اجتماعي، از الگوريتم قورباغه جهنده براي بهبود تشخيص پارامترهاي تأثيرگذار استفاده ­شد كه باعث بهبود اهميت گره­ ها شده ­است. در ارزيابي و شبيه­ سازي بخش خوشه‌بندي، روش پيشنهادي با روش K-means مقايسه­ و نتيجه­ مقدار تعادل روش در انتخاب خوشه برابر 5 شد. گفتني است كه روش پيشنهادي به نسبت روش‌هاي مورد مقايسه، بهبود مناسب­ تري را نشان ­داد. همچنين ارزيابي معيار صحت روش پيشنهادي به نسبت روشهاي همسان بهبود 3.3 داشته و نسبت به روش پايه M-ALCD بهبود 3.8 را به ثبت رسانده ­است.

Today science and technology are growing rapidly and complex networks have become a substantial necessity to our daily life in a way that the separation of people from complex networks built on fundamental needs of human life is almost impossible. In this research, we presented a model for multi-layer dynamic social networks to discover influential groups based on a combination of developing frog-leaping algorithm and C-means clustering. We collected the data in the first step. Then, we conducted data cleansing and normalization in order to identify influential individuals and groups using the optimal data by forming a decision matrix. Hence, using the matrix, we conducted identification and clustering (based on phase clustering) and also determined the importance of each group. In order to discover influential individuals and groups in social networks, frog-leaping algorithm was used to improve identification of influence parameters, which lead to improvement in nodes importance. In measurement and simulation of clustering section, the proposed method was contrasted against K-means method and its equilibrium value in cluster selection resulted 5. The proposed method presented a more genuine improvement in comparison to the other compared methods. However, measuring precision indicator for the proposed method has been improved about 3.3 in comparison to similar methods and has also recorded the rate 3.8 improvement in comparison to M-ALCD basic method.