ارائه یک نمایش برداری جدید براساس روش GloVe، برای گره در گراف و بررسی کارایی آن در تشخیص جامعه

چکیده:

ساختار جامعه در شبکه‌‌های پیچیده، در رشته‌‌های مختلفی از جمله زیست شناسی، رسانه‌‌های اجتماعی و سلامت از اهمیت بالایی برخوردار است. با گسترش شبکه‌های اجتماعی، تجزیه و تحلیل آن‌ها در زمینه‌های مختلف از جمله مسائل تشخیص جوامع، به یک حوزه تحقیقاتی بسیار محبوب تبدیل شده است. در این پژوهش، یک نمایش برداری جدید برای گره‌های گراف به کمک ماتریس‌های بدست آمده از ساختار گراف ورودی و بر اساس روش GloVe، که یک روش امبدینگ کلمات[ Word Embeddings] است و هر کلمه را به صورت یک بردار عددی بعدی نمایش می‌دهد، ارائه شده است. این نمایش برداری، که به آن GloVeNoR_A گفته می‌شود، به طور خاص برای حل مشکل تشخیص جامعه طراحی شده است. GloVeNoR_A از سه مرحله تشکیل شده است: مرحله ساخت ماتریس مجاورت، مرحله یادگیری نمایش و مرحله خوشه‌بندی. در مرحله اول، از گراف ورودی برای ساخت یک ماتریس مجاورت استفاده می‌شود. این ماتریس مجاورت نشان‌دهنده ارتباط بین گره‌های گراف است. در مرحله یادگیری نمایش، از تابع GloVeNoR_A برای یادگیری نمایش‌هایی برای گره‌های گراف استفاده شده که ارتباط بین گره‌ها را منعکس می‌کند. این تابع بر اساس ماتریس‌های بدست آمده از ساختار گراف ورودی و احتمال همجواری گره‌ها در گراف است. در مرحله خوشه‌بندی، از یک الگوریتم خوشه‌بند برای خوشه‌بندی گره‌ها در فضای بُعدی استفاده می‌شود. معادل هر خوشه در فضای بُعدیِ امبدینگ، یک جامعه در فضای گراف است. به منظور شبیه‌سازی روش پیشنهادی از پنج مجموعه داده‌ی شبکه واقعی استفاده شده است. نتایج نشان می‌دهند که روش پیشنهادی نسبت به سایر الگوریتم‌های تشخیص جامعه به لحاظ دقت و کیفیت عملکرد بهتری دارد