ارائه الگوریتمی ترکیبی بر اساس Node۲vec و بازی تشکیل ائتلاف به منظور تشخیص جوامع

Abstract

تشخیص جوامع در بسیاری از زمینه ها مانند زیست شناسی، تئوری گرافها و شبکه های اجتماعی یک مسئله مهم است. در سالهای اخیر، محققان زیادی روی الگوریتم های مختلفی به منظور کشف و شناسایی ساختارهای جامعه تحقیق کرده اند. بسیاری از آنها برای کشف جوامع ویژگی های ساختاری محلی در شبکه های گراف را در نظر گرفته اند. در این مقاله، یک الگوریتم جدید (DCGT) برای شناسایی جوامع ارائه شده است که در آن یادگیری عمیق با رویکردهای تئوری بازی ها ترکیب شده است. الگوریتم DCGT از دو مرحله تشکیل شده است: 1 ) یادگیری عمیق و 2 ) تئوری بازی تشکیل ائتلاف. در مرحله اول، گراف به وسیله شباهت بین گره ها وزن دار می شود که برای اینکار از ویژگیهای ساختاری سراسری گراف استفاده شده است. در مرحله دوم، گراف وزندار شده بر اساس بازی تشکیل ائتلاف و استفاده از برخی معیارهای حریصانه به صورت سلسله مراتبی خوشه بندی شده است. آزمایش های گسترده در شبکه های مختلف واقعی با اندازه های مختلف انجام شده است. این آزمایش ها نشان می دهند که الگوریتم DCGT علاوه بر مستقل بودن نسبت به پارامتر حساس β که یک پارامتر کلیدی در الگوریتم کوفوگاست، در شبکه های بررسی شده به طور متوسط14 درصد نسبت به الگوریتم ترکیبی spectral-Node2vec و 19 درصد نسبت به الگوریتم کوفوگا در شاخص کیفی NMI بهبود داشته است.