|
Title
|
بررسي الگوريتم هاي تشخيص جوامع در شبكه هاي پيچيده
|
|
Type
|
Presentation
|
|
Keywords
|
شبكه هاي پيچيده، تشخيص جوامع، دسته بندي، گراف
|
|
Abstract
|
تشخيص جوامع يكي از حوزه هاي پژوهشي در علم شبكه هاي پيچيده است كه به دليل كاربردهاي مختلف آن در شبكه هاي واقعي به طور گسترده مورد مطالعه پژوهشگران قرار گرفته و الگوريتم هاي متعددي در اين زمينه ارائه شده است. الگوريتمهاي كلاسيك تشخيص جوامع عموما از مدل هاي احتمالي جهت استخراج ساختار جوامع استفاده مي كردند كه با رويكردهاي جديد در هوش مصنوعي در سال هاي اخير استفاده از روش هايي مانند يادگيري عميق در تشخيص جوامع مورد توجه پژوهشگران قرار گرفته است. در اين مقاله انواع الگوريتم هاي تشخيص جوامع بررسي و با اعمال اين الگوريتم ها به روي داده بنچمارك "ال اف آر"، با يكديگر از نظر دقت مقايسه شده اند. نتايج اين بررسي نشان مي دهد كه در گراف هاي ساده الگوريتمهايي همچون نقشه اطلاعات و لووان دقت و سرعت بيشتري نسبت به الگوريتم هاي كلاسيك مانند گيروان و نيومن دارند كه ميتوانند جايگزين بهتري براي اين روش ها باشند.
|
|
Researchers
|
َArian Ghare Mohammad (First researcher) , Ebrahim Sahafizadeh (Second researcher)
|