مقاله #429

چکیده

تشخیص جامعه در شبکه‌های اجتماعی یک نقطه کلیدی برای کشف توابع و ساختار شبکه‌های اجتماعی است. کارهای زیادی برای تشخیص جامعه‌ی هم‌پوشان و تشخیص جامعه‌ی مجزا انجام شده‌اند، و تکنیک‌های متعددی از جمله خوشه‌بندی طیفی، حداکثرسازی ماژولار بودن، پیاده‌روی‌های تصادفی، معادله دیفرانسیلی، و مکانیک‌های آماری برای شناسایی یک جامعه در شبکه‌ها استفاده می‌شوند، اما بسیاری از این آثار، روش‌های ریاضی و فیزیکی خالصی را برای کشف جوامع شبکه‌های اجتماعی، در مقابل نادیده گرفتن ویژگی‌های اجتماعی و بیولوژیکی جوامع و شبکه‌های اجتماعی، اتخاذ می‌کنند. در این مقاله، ابتدا مدل جنگل جامعه را بر اساس این ویژگی‌های اجتماعی و بیولوژیکی برای توصیف ساختار شبکه‌های مقیاس بزرگ دنیای واقعی ارائه می‌دهیم، سپس به طور عمده یک معیار جدید به نام درجه‌ی ستون فقرات را برای اندازه گیری قدرت لبه و شباهت رئوس تعریف می‌کنیم و تعریف جدید برای جامعه را بر پایه‌ی گسترش ارائه می‌دهیم، و پس از آن الگوریتم جدیدی را توسعه می‌دهیم که بر پایه‌ی درجه و گسترش ستون فقرات برای کشف جوامع مجزا از شبکه‌های اجتماعی واقعی است. این الگوریتم دارای عملکرد و اثرات بهتری در مقایسه با الگوریتم‌های CNM و GN از نظر هزینه‌ی محاسباتی و قابلیت مشاهده بودن است. الگوریتم جدید به خوبی در مجموعه داده‌های ایمیل-اینرون، فوتبال کالج آمریکایی، باشگاه کاراته و غیره کار کرده است.