تشخيص اجتماعات تركيبي در شبكه هاي اجتماعي

Ensemble of Community Detection in Social Networks

يكي از چالش هاي مهم در تحليل شبكه هاي اجتماعي، تشخيص اجتماعات است. اجتماع مجموعه افراد يا سازمان هايي هستند كه چگالي ارتباط آن ها با هم بيشتر از ساير موجوديت هاي شبكه است. خوشه بندي يا تشخيص اجتماعات، ساختار گروه ها در شبكه-هاي اجتماعي و ارتباطات پنهان بين مولفه‌هاي آنها را آشكار خواهد نمود. اكثر روش هاي رايج تشخيص اجتماعات موجود قطعي نيستند و نتايج آن ها به مقادير اوليه اي كه در اكثر مواقع به صورت تصادفي انتخاب مي شود بستگي دارد. اما خوشه بندي تركيبي، بدون توجه به مقادير اوليه تصادفي هر كدام از الگوريتم‌هاي پايه‌اش، با تركيب آنها، نتايج مستحكم و پايداري توليد مي‌كند.در اين مقاله يك روش تركيبي تشخيص اجتماعات با الهام از خوشه بندي تركيبي پيشنهاد شده است. از مشخصه‌هاي روش پيشنهادي تشخيص اجتماعات تركيبي، توانايي تركيب با روش‌هاي ديگر است به گونه‌اي كه مي‌توان از الگوريتم‌هاي دقيق‌تر نيز در چهارچوب پيشنهادي استفاده كرد. نتايج تجربي در اين مقاله نشان مي‌دهند كه روش تركيبي پيشنهادي نسبت به متوسط روش‌هاي تشخيص اجتماعات پايه‌اي مورد استفاده در آن از كارايي بسيار بالاتري برخوردار بوده و در اكثر موارد حتي از بهترين الگوريتم پايه‌اي خود نيز بهتر عمل كرده است. نتايج اين مقاله مي تواند در بسياري از مسايل از جمله تشخيص دقيق تر اجتماعات، بازاريابي، تبليغات، درك شبكه و بهبود موتورهاي جستجو مورد استفاده قرار گيرد.

One of the great challenges in Social Network Analysis (SNA) is community detection. Community is a group of vertices which have high intra connections and sparse inter connections. Community detection or Clustering reveals community structure of social networks and hidden relationships among their constituents. By considering the increase of datasets related to social networks, we need scalable algorithms to analyze these networks. Most of the community detection methods currently available are not deterministic and their results typically depend on specific random seeds or initial conditions. Ensemble clustering is used in data analysis to generate stable results out of a set of partitions delivered by stochastic methods. In this paper we propose an approach which goals in finding robust communities, with using ensemble community detection and we show that the proposed approach can be combined with any existing method in a self-consistent way, enhancing considerably the performance of the resulting partitions. The results of this study can be used for many issues such as more accurately identify community detection, marketing, advertising, networking and search engine optimization.