یک مقاله در زمینه رشته مهندسی کامپیوتر است که با کیفیت بالا ترجمه شده است. علاقه مندان می توانند اصل مقاله بعلاوه ترجمه آن را خریداری و دانلود نمایند.
عنوان محصول به فارسی:
تشخیص جامعه در شبکه های پیچیده با استفاده از الگوریتم خوشه بندی مبتنی بر تراکم و یادگیری منیفولد
نکات مهم مقاله
- یک چارچوب خوشه بندی مبتنی بر تراکم، برای تشخیص ساختار جامعه پیشنهاد شده است.
- یک سیستم پارتیشن بندی تراکم، بهبود یافته و برای ارزیابی کیفیت تشخیص جوامع پیشنهاد شده است.
- این چارچوب به پارامترهای خود حساس نیست و پیاده سازی آن آسان است.
- مقایسه هایی که بر روی شاخص های مصنوعی مرجع (منظور بنچ مارک ها) و شبکه های واقعی انجام می شود، کارآیی این چارچوب را نشان می دهد.
چکیده:
روش تشخیص جامعه، همانند روش آنالیز خوشه بندی کمک می کند تا گره ها(نودها) در شبکه به جوامع مختلف اختصاص یابند. الگوریتم Fdp، یک الگوریتم مبتنی بر تراکم جدید پیشنهادی است که به تعداد خوشه ها به عنوان ورودی اولیه نیاز ندارد و نتیجه آن به پارامترهایش حساس نیست. اگرچه، الگوریتم Fdp را به دلیل عدم توانایی در تشخیص مراکز جامعه، نمی توان به صورت مستقیم برای تشخیص جامعه در شبکه به کار گرفت؛ برای حل این مشکل، یک روش جدید تشخیص جامعه (بهنام IsoFdp)، در این مقاله پیشنهاد شده است. ابتدا، ما از تکنیک IsoMap برای نگاشت داده های شبکه به یک منیفولد با ابعاد کم استفاده می کنیم، که می تواند تشابهات متنوع دوبدو(جفت جفت) را نشان دهد. سپس الگوریتم Fdp، برای تشخیص جوامع در شبکه استفاده می شود. یک تابع تراکم پارتیشن بندی بهبود یافته، برای انتخاب تعداد مناسب جوامع به صورت خودکار پیشنهاد شده است. ما روش خود را بر روی شبکه های مصنوعی و واقعی جهان آزمایش نمودیم و نتایج نشان می دهد که تاثیر الگوریتم ما، بیش از بهترین روش های پیشرفته ی موجود است.
