کشف اجتماعات در شبکه‌‌های اجتماعی یک لایه‌‌ی پویا با رویکرد بیشینه سازی اهمیت

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری ، دانشگاه قم ، قم، ایران

2 استادیار،دانشگاه جامع امام حسین (ع) ، تهران، ایران

3 استادیار، دانشگاه قم، قم، ایران

چکیده

دنیای کنونی، عصر شبکه و اینترنت است عصری که در آن با شکل‌گیری شبکه‌های گوناگون اجتماعی، شیوه‌‌های ارتباطی و اطلاع‌رسانی نوینی به عرصة گسترده ارتباطات اجتماعی معرفی شده‌‌اند. شبکه‌‌های اجتماعی از محبوب‌‌ترین مقاصد سال‌‌های اخیر کاربران اینترنت شده است]1[شبکة اجتماعی گروهی از افراد یا سازمان‌‌های دارای منافع و سلایق مشترک هستند که برای دستیابی به اهداف مشخصی گرد هم می‌‌آیند. دلایل عمده ایجاد شبکه‌‌های اجتماعی شامل روابط فردی، روابط کاری، روابط علمی، سلیقه و علایق و تفریحات مشترک و انگیزه‌های اجتماعی سیاسی می‌‌باشد. آنالیز یا تحلیل شبکه‌‌های اجتماعی به معنایی مطالعة ویژگی‌‌های شبکة اجتماعی و روابط بین افراد و بخش‌‌های یک شبکه با رویکرد نظریه شبکه‌‌ای یا گراف است. تحلیل شبکه‌‌های اجتماعی نوعی مطالعه میان‌رشته‌ای در حوزه‌‌های مختلف است از جمله جامعه‌شناسی، ریاضیات، علوم رایانه و سایبری می‌باشد. یکی از چالش‌های اساسی در تحلیل شبکه‌‌های اجتماعی ناپایدار بودن این شبکه‌ها است؛ زیرا در هر ثانیه ممکن است افرادی یا سازمانی‌هایی به عضویت این شبکه‌ها درآیند و یا از آن خارج شده و یا رابطه‌های جدیدی شکل گیرد.
ما در این مقاله یک روشی ابتکاری برای کشف اجتماعات پیچیده در شبکه‌‌های اجتماعی با یک‌لایة پویا و با تمرکز بر بیشینه‌سازی معیار اهمیت ارائه می‌دهیم. سپس با استفاده از مجموعه‌دادة تولید شده توسط LFR Benchmark به بررسی نتایج طرح پیشنهادی خود با سایر طرح‌ها پرداخته و نتایج به‌دست‌آمده حاکی از بهبود عملکرد طرح پیشنهادی ما در دقت شناسایی روابط پیچیده در شبکه‌های اجتماعی و زمان کمتر آن در مقایسه با سایر طرح‌ها است.

کلیدواژه‌ها

عنوان مقاله [English]

discovery of communities in social networks of a dynamic layer with the approach of maximizing the importance

نویسندگان [English]

  • ali sarabadani 1
  • seyed morteza pournaghi 2
  • khiralloh rahsepar 3
1 PhD student, University of Qom, Tehran, Iran
2 Assistant Professor, Imam Hossein University (AS), Tehran, Iran
3 Assistant Professor, University of Qom, Qom, Iran
چکیده [English]

The current world is the era of the network and the Internet, an era in which, with the formation of various social networks, new methods of communication and information have been introduced to the wide field of social communication. Social networks have become one of the most popular destinations of Internet users in recent years [1]. A social network is a group of people or organizations with common interests and tastes that come together to achieve specific goals. The main reasons for creating social networks include personal relationships, work relationships, scientific relationships, shared tastes and interests, and social and political motivations. Analysis of social networks means the study of social network characteristics and relationships between people and parts of a network with a network or graph theory approach. Social network analysis is a kind of interdisciplinary study in different fields such as sociology, mathematics, computer and cyber science. One of the basic challenges in analyzing social networks is the instability of these networks because every second people or organizations may join or leave these networks or new relationships may be formed.

In this paper, we present an innovative method for discovering complex communities in social networks with a dynamic layer and focusing on the maximization of the importance criterion. Then, using the data set produced by LFR Benchmark, he checked the results of his proposed plan with other plans, and the results obtained indicate the improvement of the performance of our proposed scheme in the accuracy of identifying complex relationships in social networks and its less time compared to other scheme.

کلیدواژه‌ها [English]

  • Community discovery
  • dynamic social networks
  • one-layer network
  • importance
  • community
  • maximization

Smiley face

مراجع

[1] Kim, Jungeun, and Jae-Gil Lee. "Community detection in multi-layer graphs: A survey." ACM SIGMOD Record 44, no. 3 (2015): 37-48.
[2] Berlingerio, Michele, Michele Coscia, and Fosca Giannotti. "Finding and characterizing communities in multidimensional networks." In 2011 international conference on advances in social networks analysis and mining, pp. 490-494. IEEE, 2011.
[3] Börner, Katy, Michael Conlon, Jon Corson-Rikert, and Ying Ding. "VIVO: A semantic approach to scholarly networking and discovery." Synthesis lectures on the Semantic Web: theory and technology 7, no. 1 (2012): 1-178.
[4] Fortunato, Santo, and Darko Hric. "Community detection in networks: A user guide." Physics reports 659 (2016): 1-44.
[5] Newman, Mark EJ. "Spectral methods for community detection and graph partitioning." Physical Review E 88, no. 4 (2013): 042822.
[6] Loe, Chuan Wen, and Henrik Jeldtoft Jensen. "Comparison of communities detection algorithms for multiplex." Physica A: Statistical Mechanics and its Applications 431 (2015): 29-45.
[7] Whang, Joyce Jiyoung, David F. Gleich, and Inderjit S. Dhillon. "Overlapping community detection using neighborhood-inflated seed expansion." IEEE Transactions on Knowledge and Data Engineering 28, no. 5 (2016): 1272-1284.
[8] Leskovec, Jure, Kevin J. Lang, Anirban Dasgupta, and Michael W. Mahoney. "Statistical properties of community structure in large social and information networks." In Proceedings of the 17th international conference on World Wide Web, pp. 695-704. 2008.
[9] MacQueen, J. "Classification and analysis of multivariate observations." In 5th Berkeley Symp. Math. Statist. Probability, pp. 281-297. 1967.
[10] Newman, Mark EJ. "Spectral methods for community detection and graph partitioning." Physical Review E 88, no. 4 (2013): 042822.
[11] Newman, Mark EJ. "Modularity and community structure in networks." Proceedings of the national academy of sciences 103, no. 23 (2006): 8577-8582.
[12] Aldecoa, Rodrigo, and Ignacio Marín. "Surprise maximization reveals the community structure of complex networks." Scientific reports 3, no. 1 (2013)
 [13] Lancichinetti, Andrea, Filippo Radicchi, and José J. Ramasco. "Statistical significance of communities in networks." Physical Review E 81, no. 4 (2010): 046110.
 [14] Dubik, Mikael. "A comparative evaluation of state-of-the-art community detection algorithms for multiplex networks." (2017).
[15] Traag, Vincent A., Gautier Krings, and Paul Van Dooren. "Significant scales in community structure." Scientific reports 3, no. 1 (2013): 1-10.
[16] Dubik, Mikael. "A comparative evaluation of state-of-the-art community detection algorithms for multiplex networks." (2017).
[17] Fernandes, Andreia, Patrícia CT Gonçalves, Pedro Campos, and Catarina Delgado. "Centrality and community detection: a co-marketing multilayer network." Journal of Business & Industrial Marketing (2019).
[18] Bakhthemmat, Ali, and Mohammad Izadi. "Communities detection for advertising by futuristic greedy method with clustering approach." Big Data 9, no. 1 (2021): 22-40.
[19] Su, Yan. "Accurate Marketing Algorithm of Network Video Based on User Big Data Analysis." Mathematical Problems in Engineering 2022 (2022).
[20] Leiva, Fabiola Herrera, Romina Torres, Orietta Nicolis, and Rodrigo Salas. "Characterization of the chilean public procurement ecosystem using social network analysis." IEEE Access 8 (2020): 138846-138858.
[21] Sharma, Prem Sagar, Divakar Yadav, and R. N. Thakur. "Web Page Ranking using Web Mining Techniques: A comprehensive survey." Mobile Information Systems 2022 (2022).
[22] Yu-Liang, Lu, Tian Jie, Guo Hao, and Wang Yu. "Infomap based community detection in weibo following graph." In 2012 Second International Conference on Instrumentation, Measurement, Computer, Communication and Control, pp. 1220-1222. IEEE, (2012).
[23] Lancichinetti, Andrea, Filippo Radicchi, José J. Ramasco, and Santo Fortunato. "Finding statistically significant communities in networks." PloS one 6, no. 4 (2011): e18961.
 
پدافند الکترونیکی و سایبری
دوره 12، شماره 1 - شماره پیاپی 45
شماره پیا پی 45 بهار 1403
خرداد 1403
صفحه 43-57

فایل ها

سابقه مقاله

  • تاریخ دریافت: 25 بهمن 1402
  • تاریخ بازنگری: 26 فروردین 1403
  • تاریخ پذیرش: 13 اردیبهشت 1403
  • تاریخ انتشار: 15 خرداد 1403

هم رسانی

ارجاع به این مقاله

آمار