ارائه روشی جهت شبکه‌های اجتماعی چند لایه‌ای پویا جهت کشف گروه‌های تاثیرگذار مبتنی بر ترکیبب الگوریتم تکاملی جهش قورباغه و خوشه‌بندی C-means
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمندلیدا ندرلو 1 , محمد تحقیقی شربیان 2
1 - دانشگاه روزبه- دانشکده کامپیوتر- زنجان- ایران
2 - استادیار، دانشکده مهندسی برق و کامپیوتر، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران
الکلمات المفتاحية: گروه‌های تاثیرگذار, الگوریتم تکاملی جهش قورباغه و خوشه‌بندی C-means, شبکه‌های اجتماعی چند لایه‌ای پویا,
ملخص المقالة :
امروزه علم و فن آوری با آهنگی شتابناک در حال رشد است و شبکه های اجتماعی پیچیده به بخشی ضروری از زندگی تبدیل شده اند، آن گونه که بحث جدایی مردم از شبکه های درهم پیچیده ای که مبتنی بر نیازهای اساسی زندگی است بحث ناگزیری در زندگی روزمره و عرصه دانش است. در پژوهش پیش رو مدلی برای شبکه های اجتماعی چندلایه ای پویا برای کشف گروه های تأثیرگذار، مبتنی بر ترکیبب الگوریتم تکاملی جهش قورباغه و خوشه بندی C-means ارائه شده است. بدین ترتیب که پس از جمع‌آوری داده‌ها به پاک سازی و نرمال سازی آن ها پرداخته شد تا داده‌های مطلوب منجر به شناسایی افراد و گروه‌های مؤثر شود که در ادامه کار ماتریس تصمیم شکل گرفت و از روی آن شناسایی و خوشه‌بندی(مبتنی بر خوشه‌بندی فازی) انجام شد و اهمیت گروه‌ها نیز مشخص گردید. برای دستیابی به افراد و گروه‌های تأثیرگذار در شبکه‌های اجتماعی، از الگوریتم قورباغه جهنده برای بهبود تشخیص پارامترهای تأثیرگذار استفاده شد که باعث بهبود اهمیت گره ها شده است. در ارزیابی و شبیه سازی بخش خوشه‌بندی، روش پیشنهادی با روش K-means مقایسه و نتیجه مقدار تعادل روش در انتخاب خوشه برابر 5 شد. گفتنی است که روش پیشنهادی به نسبت روشهای مورد مقایسه، بهبود مناسب تری را نشان داد. همچنین ارزیابی معیار صحت روش پیشنهادی به نسبت روشهای همسان بهبود 3.3 داشته و نسبت به روش پایه M-ALCD بهبود 3.8 را به ثبت رسانده است.
[1] S, Prakash. Ch, (2016), “Intelligent Detection of Influential Nodes in Networks”, IEEE, International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT), pp. 2626-2628.
[2] Y, Xie. G, (2016),“Efficient identification of node importance in social networks”, Science Direct, Information Processing and Management, Vol. 52, pp. 911-922.
[3] [Zhou. J, Zhang. Y, Cheng. J, (2014) , ”Preference-based mining of top-K influential nodes in social networks “, Science Direct, Future Generation Computer System, Vol. 31, pp. 41-47.
[4] Xiaoming Li, Guagquan Xu, Litao Jiao, Yinan Zhou, Wei Yu.(2019).“ Multi-layer network community detection model based on attributes and social interaction intensity”. 0045-7906/© 2019 Elsevier Ltd. All rights reserved.
[5] Lokesh Jain , Rahul Katarya , Shelly Sachdeva.(2019). “Opinion Leader detection using Whale Optimization Algorithm in Online Social Network”, https://doi.org/10.1016/j.eswa.2019.113016.
[6] Yu Lei, Ying Zhou, Jiao Shi.(2019). “Overlapping Communities Detection of Social Network based on Hybrid C-means Clustering Algorithm ” https://doi.org/10.1016/j.scs.2019.101436.
[7] Aftab Farooq, Usman Akram, Gulraiz Javaid Joyia, and Chaudhry Naeem Akbar.(2018). “A Technique to Identify Key Players that Helps to Improve Businesses Using Multilayer Social Network Analysis” International Journal of Future Computer and Communication, Vol. 7, No. 4, December 2018
[8] Ruchi Mittal and M.P.S Bhatia,.(2019). “Classifying the Influential Individuals in Multi-Layer Social Networks” International Journal of Electronics, Communications, and Measurement Engineering Volume 8 Issue 1 January-June.
[9] Mohammed Ali Al-garadi, Kasturi Dewi Varathan, Sri Devi Ravana, Ejaz Ahmed, Victor Chang .(2016). “Identifying the influential spreadersin multilayer interactions ofonline socialnetworks” Published in Journal of Intelligent and fuzzy system.
[10] Weiyi Liu, Pin-Yu Chen, Sailung Yeung, Toyotaro Suzumura and Lingli Chen .(2017). “Principled Multilayer Network Embedding” arXiv:1709.03551v3 [cs.SI] 15 Sep 2017.
[11] Interdonato R, Tagarelli A, Ienco D, et al. Local community detection in multilayer networks. Data Min Knowl Discov 2017;31(5):14 4 4–79. https: //doi.org/10.1007/s10618- 017- 0525- y .
[12] T. Hoang Huynh, “A modified shuffled frog leaping algorithm for optimal tuning of multivariable PID controllers” IEEE international conference, 2008.
[13] Bezdek J C, Ehrlich R, Full W. FCM: The fuzzy c-means clustering algorithm[J]. Computers & Geosciences, 1984, 10(2-3): 191-203.
[14] Mogelmose, A.; Trivedi, M.M..(2012). Moeslund, T.B. Vision-based traffic sign detection and analysis for intelligent driver assistance systems: Perspectives and survey. IEEE Trans. Intell. Transp. Syst.2012, 13, 484–1497
[15] Rachmawanto, Eko Hari, Galang Rambu Anarqi, and Christy Atika Sari. "Handwriting Recognition Using Eccentricity and Metric Feature Extraction Based on K-Nearest Neighbors." In 2018 International Seminar on Application for Technology of Information and Communication, pp. 411-416. IEEE, 2018.
[16] Sa’di, Sadri, Amanj Maleki, Ramin Hashemi, Zahra Panbechi, and Kamal Chalabi. "Comparison of data mining algorithms in the diagnosis of type II diabetes" International Journal on Computational Science & Applications (IJCSA) 5, no. 5 (2015): 1-12.
[17] Chen D, Zhao W, Wang D, et al. Similarity-based local community detection for bipartite networks. Filomat 2018;32(5):1559–70 .
_||_