تشخیص جوامع در شبکه های پیچیده با استفاده از آتاماتای یادگیر

شبکه های اجتماعی یکی از انواع شبکه های پیچیده است. تشخیص جوامع در شبکه های اجتماعی روشی موثر برای بهره گیری از اطلاعات این شبکه ها است که تاکنون الگوریتم های متعددی برای آن ارایه شده است. در این مقاله روش هایی جدید با استفاده از آتوماتاهای یادگیر پیشنهاد شده است که در آنها، یک آتوماتای یادگیر به هر گره شبکه الحاق می شود؛ تعداد اقدام آتوماتاهای یادگیر ثابت و برابر با تخمین تعداد جوامع شبکه است. در هر مرحله، هر کدام از آتوماتاهای یادگیر یک اقدام از مجموعه اقدامات خود را انتخاب می کند. انتخاب هر یک از این اقدام ها به منزله ی انتساب برچسب آن جامعه به گره است. اقدام انتخاب شده توسط هر آتوماتا بر اساس اقدام های انتخابی همسایگانش (بررسی محلی) و/یا جوامع تشخیص داده شده توسط کل روش (بررسی سراسری) ارزیابی می شود. نتیجه ی ارزیابی منجر به صدور پاداش و جریمه برای آتوماتاها می شود. با دریافت پاداش احتمال انتخاب مجدد اقدام انتخابی توسط آتوماتا، یا همان برچسب جامعه، افزایش می یابد و با دریافت جریمه احتمال این اقدام کاهش می یابد. با تکرار الگوریتم، اقدام بهینه مشخص می گردد تا آنجا که با تکرارهای بیشتر هیچ تغییری در برچسب انتخابی آتوماتای متناظر هر گره رخ نمی دهد و درنتیجه جوامع بهینه به عنوان خروجی الگوریتم مشخص می گردند. مقایسه نتایج حاصل از آزمایش های انجام شده، نشان می دهد روش های پیشنهادی نسبت به برخی روش های پیشین عملکرد بهتری را نشان می دهد؛ به خصوص بر اساس معیار NMI که یکی از معیارهای رایج در ارزیابی روش های تشخیص جامعه است.