تشخیص جوامع در شبکه های پیچیده با استفاده از آتوماتای یادگیر

Abstract

شبکه‌‌های اجتماعی یکی از انواع شبکه‌‌های پیچیده است. تشخیص جوامع در شبکه‌‌های اجتماعی روشی مؤثر برای بهره‌گیری از اطلاعات این شبکه‌‌ها است که تاکنون الگوریتم‌‌های متعددی برای آن ارائه شده است. در این مقاله روش‌هایی جدید با استفاده از آتوماتاهای یادگیر پیشنهاد شده است که در آنها، یک آتوماتای یادگیر به هر گره شبکه الحاق می‌شود؛ تعداد اقدام آتوماتاهای یادگیر ثابت و برابر با تخمین تعداد جوامع شبکه است. در هر مرحله، هر کدام از آتوماتاهای یادگیر یک اقدام از مجموعه اقدامات خود را انتخاب می‌‌کند. انتخاب هر یک از این اقدام‌‌ها به‌منزله‌ی انتساب برچسب آن جامعه به گره است. اقدام انتخاب‌شده توسط هر آتوماتا بر اساس اقدام‌‌های انتخابی همسایگانش (بررسی محلی) و/یا جوامع تشخیص داده شده توسط کل روش (بررسی سراسری) ارزیابی می‌‌شود. نتیجه‌‌ی ارزیابی منجر به صدور پاداش و جریمه برای آتوماتاها می‌شود. با دریافت پاداش احتمال انتخاب مجدد اقدام انتخابی توسط آتوماتا، یا همان برچسب جامعه، افزایش می‌‌یابد و با دریافت جریمه احتمال این اقدام کاهش می‌‌یابد. با تکرار الگوریتم، اقدام بهینه مشخص می‌‌گردد تا آنجا که با تکرارهای بیشتر هیچ تغییری در برچسب انتخابی آتوماتای متناظر هر گره رخ نمی‌‌دهد و درنتیجه جوامع بهینه به‌‌عنوان خروجی الگوریتم مشخص می‌‌گردند. مقایسه نتایج حاصل از آزمایش‌های انجام‌شده، نشان می‌دهد روش‌های پیشنهادی نسبت به برخی روش‌‌های پیشین عملکرد بهتری را نشان می‌‌دهد؛ به خصوص بر اساس معیار NMI که یکی از معیارهای رایج در ارزیابی روش‌های تشخیص جامعه است.