شناسائی انجمن در شبکههای دوبخشی با استفاده از معیار مرکزیت هلرنک
محورهای موضوعی : فناوری اطلاعات و ارتباطاتعلی خسروزاده 1 , علی موقر 2 , محمدمهدی گیلانیان صادقی 3 , حمیدرضا ماهیار 4
1 - گروه مهندسی کامپیوتر، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
2 -
3 - گروه مهندسی کامپیوتر، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
4 - گروه مهندسی کامپیوتر، دانشگاه مک مستر، همیلتون، انتاریو، کانادا
کلید واژه: شبکههای اجتماعی, گراف‌‌های دوبخشی, معیار مرکزیت, شناسائی انجمن, رأی‌‌گیری,
چکیده مقاله :
ساختار انجمن ویژگی مشترک و مهمی در بسیاری از شبکههای پیچیده از جمله شبکههای دوبخشی است. شناسائی انجمن‌‌ها در سال‌های اخیر در بسیاری زمینه‌ها مورد توجه قرار گرفته و روش‌های زیادی برای این منظور پیشنهاد شده است، اما مصرف سنگین زمان در برخی روش‌‌ها، استفاده از آنها را در شبکههای بزرگ مقیاس محدود میکند. روش‌هائی با پیچیدگی کمتر وجود دارند اما اکثراً غیرقطعی هستند که کاربرد آنها در دنیای واقعی را کاهش میدهد. رویکرد معمول اتخاذ شده برای شناسائی انجمن‌‌ها در شبکههای دوبخشی این است که ابتدا یک طرح‌‌ریزی یک‌بخشی از شبکه ساخته شود و سپس انجمن‌‌ها در آن طرح‌‌ریزی با استفاده از روش‌های مربوط به شبکههای یک‌بخشی شناسائی شوند. این طرح‌‌ریزی‌‌ها به طور ذاتی اطلاعات را از دست می‌دهند. در این مقاله بر اساس معیار ماژولاریتی دوبخشی که قدرت تقسیم‌‌‌‌بندی‌‌ها را در شبکههای دوبخشی محاسبه میکند و با استفاده از معیار مرکزیت هلرنک، روشی سریع و قطعی برای شناسائی انجمن‌‌ها از شبکههای دوبخشی به طور مستقیم و بی‌نیاز از طرح‌‌ریزی ارائه گردیده است. روش پیشنهادی از فرآیند رأی‌‌گیری در فعالیت‌‌های انتخاباتی در جامعه انسانی الهام گرفته و آن را شبیه‌‌سازی میکند. نتایج آزمایشات نشان میدهد، مقدار ماژولاریتی انجمن‌‌های حاصل و دقت شناسائی تعداد آنها در روش پیشنهادی بهبود یافته است.
Community structure is a common and important feature in many complex networks, including bipartite networks. In recent years, community detection has received attention in many fields and many methods have been proposed for this purpose, but the heavy consumption of time in some methods limits their use in large-scale networks. There are methods with lower time complexity, but they are mostly non-deterministic, which greatly reduces their applicability in the real world. The usual approach that is adopted to community detection in bipartite networks is to first construct a unipartite projection of the network and then communities detect in that projection using methods related to unipartite networks, but these projections inherently lose information. In this paper, based on the bipartite modularity measure that quantifies the strength of partitions in bipartite networks and using the HellRank centrality measure, a quick and deterministic method for community detection from bipartite networks directly and without need to projection, proposed. The proposed method is inspired by the voting process in election activities in the social society and simulates it.