شبکه‌های اجتماعی در دهه گذشته توسعه سریعی داشته‌اند. استخراج جامعه مسئله مهمی در تحلیل شبکه‌های اجتماعی است. کشف جامعه در شبکه اجتماعی به‌معنای شناسایی مجموعه‌‌ای از گره‌هاست به‌گونه‌ای که اعضای آن‌ بیشترین ارتباط را بایکدیگر و ارتباط کمی با گره‌های خارج از مجموعه دارند. الگوریتم‌ کلاسیک خوشه‌بندی ‌K‌میانه روش کارایی در این حوزه است ولی این الگوریتم حساس به نقاط اولیه ورودی است. برای حل این مشکل دراین پژوهش ابتدا K نقطه ثقل با استفاده از PageRank شناسایی و سپس ساختار جامعه با استفاده از شباهت انتشارگرما وK ‌میانه استخراج می‌شود. با استفاده از شباهت انتشارگرما می‌توان اطلاعات سراسری شبکه را برای هر زوج از رأس‌ها بدست و برای استفاده در شبکه‌های بزرگ و خلوت مناسب است. تفاصيل المقالة

دهه گذشته توسعه سریعی را در شبکه های اجتماعی و استخراج جوامع شاهد است. نتیجه تحلیل چنین شبکه هایی می تواند کشف الگوهای مهم و پنهانی باشد. وجود حجم گسترده ای از محققان و اطلاعات در چنین شبکه هایی، منجر به تعیین متخصصین در زمینه های مختلف شده است. در این پژوهش یک روش ترکیبی پیشنهاد می کنیم که ابتدا با استفاده از الگوریتم EWKM، موضوعات به اشتراک گذاشته شده بین کاربران را در خوشه هایی قرار می دهد. سپس یک تحلیل ساختاری با استفاده از ماژولاریتی، بر روی کاربران در گیر در هر خوشه اعمال می شود. به علاوه برای دسترسی به متخصص ترین افراد در هر جامعه از الگوریتم Topsis، استفاده شده است. نتایج آزمایش نشان می دهد روش پیشنهادی دقت و صحت قابل قبولی نسبت به روش های پیشین دارد. بنابراین، روش پیشنهادی می تواند برای زمینه های دانشگاهی در جهان واقعی استفاده شود. تفاصيل المقالة