نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانش آموخته دکتری، مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران.
2 عضو هیئت‌علمی، گروه مهندسی صنایع و سیستم‌ها، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس، تهران. (نویسنده مسئول)؛ b.teimourpour@modares.ac.ir
3 دانشجوی دکتری، مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران.
چکیده
شناسایی ساختارهای موجود در شبکه‌های اجتماعی، فرآیندی حائز اهمیت در تحلیل این شبکهها است. یکی از مسائلی که در سالهای اخیر در زمینه شناسایی ساختارهای شبکه‌های اجتماعی مطرح شده است، مسئله اجتماع یابی است. با توجه به اهمیت این موضوع، تاکنون روشهای حل متنوع و گوناگونی برای اجتماع یابی پیشنهاد شده است. در پژوهش حاضر، یک الگوریتمی ترکیبی از روشهای بهینه‌سازی علف‌های هرز و ژنتیک پیشنهاد شده است که هدف آن یافتن جوابهای مناسب و باکیفیت برای مسئله اجتماع یابی است. در این روش ترکیبی، جوابهای اولیه توسط روش بهینه‌سازی علف‌های هرز تولید میشوند و در ادامه جوابهای یافته شده به‌وسیله الگوریتم ژنتیک در فرآیند بهینه‌سازی، بهبود مییابند. ارزیابی برازندگی جوابها، مبتنی بر معیار چگالی پودمانگی است. چگالی پودمانگی، معیاری با ماهیت بیشینهسازی است که میزان کیفیت اجتماعات کشف‌شده را به دست میدهدمشخص می کند. به‌منظور بررسی کیفیت جوابهای الگوریتم پیشنهادی، نتایج این روش نسبت به چهار الگوریتم علف‌های هرز، ژنتیک، الگوریتم کرم شب‌تاب و یک الگوریتم جستجوی کاملاً تصادفی مقایسه شدهاند. پارامترهای این الگوریتمها به کمک یک رویکرد طراحی آزمایش‌ها تنظیم شدهاند. این مقایسات بر روی شبکه‌های محک گوناگون و با ابعاد متفاوت انجام شدهاند. با توجه به نتایج به‌دست‌آمده، میتوان دریافت که الگوریتم پیشنهادی قادر به تولید جوابهایی باکیفیت بالا است. اعتبارسنجی نتایج الگوریتمها نیز توسط شاخص اطلاعات متقابل نرمال انجام شده است.
کلیدواژه‌ها
عنوان مقاله [English]
A Hybrid Algorithm for Detecting Communities of Social Networks based on the Modularity Density Criterion
نویسندگان [English]
- Amir Hossein Hosseinian 1
- Babak Teimourpour 2
- Bagher Jamali Hondori 3
1 Ph.D., Industrial Engineering, Faculty of Engineering, Islamic Azad University, Tehran North Branch, Tehran.
2 Faculty Member, Department of Industrial and Systems Engineering, Faculty of Engineering, Tarbiat Modares University, Tehran (Corresponding Author: b.teimourpour@modares.ac.ir )
3 Ph.D. Candidate, Industrial Engineering, Faculty of Engineering, Islamic Azad University, Tehran North Branch, Tehran.
چکیده [English]
Detecting existing communities in social networks is a significant process in analyzing these networks. In recent years, the community detection problem has become popular for detecting structures of social networks. Due to high importance of this problem, various algorithms have been developed in the literature to find communities of complex networks. In this research, a hybrid meta-heuristic consisting of the genetic algorithm (GA) and the invasive weed optimization (IWO) method have been proposed which aims to find appropriate and high quality solutions for the community detection problem. In this hybrid method, the initial solutions are generated via the IWO algorithm, and thereafter the optimization process is continued by means of the genetic algorithm. The proposed algorithm is known as the GAIWO. Fitness of solutions is determined in terms of the modularity density criterion. Modularity density has a maximization essence and determines the quality of detected communities. To evaluate the efficiency of the GAIWO, four other methods have been employed and their results have been compared. Comparisons have been made on several networks with different sizes. Input parameters of all algorithms have been tuned by a design of experiments approach. The outputs indicate appropriate efficiency of the proposed algorithm. Validation of the results have been investigated by means of the Normalized Mutual Information (NMI) metric.
کلیدواژه‌ها [English]
- Community detection
- Soft computing
- Invasive weed optimization
- Modularity density
)