https://virgool.ir/feed/@m_68619595fa2026-11-11 23:29:33https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@m_68619595https://virgool.ir/@m_68619595/کشف-انجمن-ها-در-شبکه-های-اجتماعی-و-تحلیل-ساختار-شبکه-با-استفاده-از-روش-های-گراف-محور-و-چگالی-پایه-wi9rj8jcm0xzکشف انجمن ‌ها در شبکه ‌های اجتماعی و تحلیل ساختار شبکه با استفاده از روش‌ های گراف‌ محور و چگالی‌ پایهچکیدهشبکه‌ های اجتماعی آنلاین به‌ عنوان یکی از مهم ‌ترین ساختارهای ارتباطی عصر دیجیتال، حجم عظیمی از داده‌ های تعاملی میان کاربران را تولید می ‌کنند. تحلیل این شبکه‌ ها و استخراج الگوهای پنهان در ساختار آن‌ها، نقش کلیدی در درک رفتار کاربران، شناسایی گروه‌ های اجتماعی و بهینه‌ سازی کاربرد های مبتنی بر داده ایفا می‌کند. یکی از بنیادی‌ ترین مسائل در تحلیل شبکه‌ های اجتماعی، مسئله کشف انجمن ‌ها (Community Detection) است که هدف آن شناسایی گروه‌ هایی از گره‌ ها با ارتباطات درون ‌گروهی متراکم و ارتباطات برون ‌گروهی ضعیف ‌تر می ‌باشد. این انجمن‌ ها می ‌توانند بازتاب ‌دهنده ساختار های واقعی اجتماعی، علایق مشترک، یا الگو های تعامل معنادار در شبکه باشند.روش ‌های کلاسیک کشف انجمن، مانند الگوریتم‌ های مبتنی بر بهینه ‌سازی ماژولاریتی، اگرچه در بسیاری از شبکه ‌های کوچک و متوسط نتایج قابل قبولی ارائه داده ‌اند، اما در شبکه‌ های بزرگ ‌مقیاس، نا همگن و پیچیده با محدودیت‌ هایی نظیر مقیاس ‌پذیری، حساسیت به پارامترها و ناتوانی در شناسایی انجمن‌ های هم‌ پوشان مواجه هستند. در پاسخ به این چالش‌ ها، پژوهش‌ های اخیر به سمت بهره‌ گیری از روش‌ های نوین یادگیری ماشین و به‌ ویژه شبکه ‌های عصبی گرافی حرکت کرده ‌اند که قادر به یادگیری نمایش ‌های برداری معنادار از ساختار شبکه هستند.در این مقاله، یک چارچوب پژوهشی برای کشف انجمن ‌ها در شبکه‌ های اجتماعی واقعی ارائه می ‌شود که ترکیبی از روش ‌های چگالی ‌پایه و یادگیری نمایش گراف با استفاده از شبکه‌ های پیچشی گراف (Graph Convolutional Networks) است. در این چارچوب، ابتدا شبکه اجتماعی به ‌صورت یک گراف مدل‌ سازی شده و پس از پیش‌ پردازش داده‌ ها، نمایش ‌های برداری گره ‌ها استخراج می ‌گردد. سپس با استفاده از تحلیل چگالی، انجمن ‌ها شناسایی شده و کیفیت آن‌ها با معیار هایی نظیر ماژولاریتی، تراکم انجمن و رسانایی ارزیابی می‌شود. علاوه بر این، ساختار کلی شبکه از منظر مفاهیم شبکه ‌های پیچیده مانند توزیع درجه، مرکزیت گره ‌ها و ویژگی‌ های دنیای کوچک مورد تحلیل قرار می ‌گیرد. نتایج حاصل نشان می ‌دهد که چارچوب پیشنهادی توانایی بالایی در شناسایی انجمن ‌های معنادار و تفسیرپذیر دارد و نسبت به روش‌ های مرجع، تحلیل عمیق‌ تری از ساختار شبکه ارائه می‌دهد.مقدمهدر دهه ‌های اخیر، رشد سریع شبکه ‌های اجتماعی آنلاین نظیر شبکه ‌های ارتباطی، پلتفرم ‌های اشتراک محتوا و سامانه ‌های پیام ‌رسان، منجر به تولید حجم بی‌سابقه ‌ای از داده ‌های ساختاریافته و نیمه ‌ساختاریافته شده است. این شبکه‌ ها نه ‌تنها بستر تعاملات اجتماعی کاربران هستند، بلکه به منبعی غنی برای تحلیل رفتار جمعی، الگوهای ارتباطی و ساختارهای پنهان اجتماعی تبدیل شده ‌اند. تحلیل این داده ‌ها مستلزم استفاده از ابزار ها و روش‌ هایی است که بتوانند ماهیت پیچیده و غیر خطی شبکه‌ های اجتماعی را به‌ درستی مدل ‌سازی کنند.یکی از رویکرد های رایج برای مدل ‌سازی شبکه ‌های اجتماعی، نمایش آن ‌ها به‌ صورت گراف است. در این نمایش، کاربران به ‌عنوان گره ‌ها و روابط یا تعاملات میان آن ‌ها به‌ عنوان یال‌ ها در نظر گرفته می ‌شوند. چنین مدلی امکان به‌ کارگیری نظریه گراف و مفاهیم شبکه‌ های پیچیده را برای تحلیل ساختار شبکه فراهم می‌ سازد. با این حال، تحلیل مستقیم گراف‌ های بزرگ و پیچیده بدون استخراج ساختار های میانی، اغلب منجر به نتایج سطحی و غیر قابل تفسیر می ‌شود.در این میان، مفهوم انجمن یا اجتماع به ‌عنوان یکی از مهم‌ ترین ساختار های میانی در شبکه ‌های اجتماعی مطرح می‌ شود. انجمن‌ ها گروه‌ هایی از گره‌ ها هستند که نسبت به سایر بخش ‌های شبکه، ارتباطات متراکم‌ تری با یکدیگر دارند. وجود چنین ساختارهایی نشان‌ دهنده الگو های تعامل پایدار، روابط اجتماعی قوی و یا علایق مشترک میان کاربران است. به همین دلیل، کشف انجمن‌ ها به ‌عنوان یکی از مسائل بنیادی در تحلیل شبکه‌ های اجتماعی شناخته می ‌شود و کاربرد های گسترده‌ ای در حوزه‌ هایی نظیر بازاریابی هدفمند، تحلیل افکار عمومی، تشخیص رفتارهای غیرعادی و سیستم‌ های توصیه‌ گر دارد.روش ‌های اولیه کشف انجمن عمدتاً مبتنی بر معیار های ساختاری ساده مانند درجه گره ‌ها یا بهینه ‌سازی توابع هدف نظیر ماژولاریتی بودند. اگرچه این روش‌ ها از نظر محاسباتی ساده و قابل پیاده ‌سازی هستند، اما در مواجهه با شبکه‌ های بزرگ، پویا و دارای ساختار پیچیده، کارایی و دقت آن ‌ها کاهش می‌یابد. علاوه بر این، بسیاری از این الگوریتم ‌ها قادر به شناسایی انجمن‌ های هم‌ پوشان یا ساختارهای سلسله‌ مراتبی نیستند که در شبکه ‌های اجتماعی واقعی به‌ وفور مشاهده می  شوند.در سال‌ های اخیر، پیشرفت‌ های قابل  توجهی در حوزه یادگیری ماشین و به‌ ویژه یادگیری عمیق، منجر به توسعه روش‌ های جدیدی برای تحلیل داده‌ های گراف ‌ساختار شده است. شبکه‌ های عصبی گرافی با قابلیت یادگیری نمایش‌ های برداری از گره‌ ها و یال‌ ها، امکان ترکیب اطلاعات توپولوژیکی و ویژگی‌ های محلی شبکه را فراهم کرده ‌اند. این ویژگی، آن‌ ها را به گزینه ‌ای مناسب برای حل مسئله کشف انجمن در شبکه‌ های اجتماعی تبدیل کرده است.هدف اصلی این مقاله، ارائه یک چارچوب جامع برای کشف انجمن ‌ها و تحلیل ساختار شبکه‌ های اجتماعی با استفاده از ترکیب روش ‌های گراف ‌محور و چگالی ‌پایه است. این چارچوب به‌ گونه ‌ای طراحی شده است که ضمن هم ‌راستایی کامل با مفاهیم شبکه‌ های پیچیده، خروجی‌ هایی نظیر نمایش بصری گراف انجمن ‌ها، محاسبه تراکم انجمن ‌ها و تحلیل ساختار کلی شبکه را فراهم سازد. این رویکرد نه ‌تنها از نظر پژوهشی دارای نوآوری است، بلکه از منظر آموزشی نیز کاملاً منطبق با اهداف درس و اینستراکشن پروژه می  ‌باشد.ادبیات موضوع و کارهای گذشتهکشف انجمن در شبکه ‌های پیچیدهمسئله کشف انجمن یکی از موضوعات محوری در نظریه شبکه ‌های پیچیده به شمار می ‌رود. پژوهش‌ های اولیه در این حوزه نشان داده ‌اند که بسیاری از شبکه‌ های واقعی، از جمله شبکه‌ های اجتماعی، زیستی و فناورانه، دارای ساختار انجمنی هستند. این ساختارها نقش مهمی در پویایی شبکه، انتشار اطلاعات و پایداری سیستم ایفا می ‌کنند.یکی از معیار های پر کاربرد برای سنجش کیفیت انجمن‌ ها، ماژولاریتی است که میزان تفاوت بین تعداد یال ‌های درون‌ انجمنی مشاهده ‌شده و مقدار مورد انتظار آن در یک گراف تصادفی را اندازه‌ گیری می ‌کند. اگرچه ماژولاریتی ابزار مفیدی برای مقایسه ساختار های انجمنی است، اما پژوهش‌ ها نشان داده‌ اند که این معیار دارای محدودیت‌ هایی نظیر مسئله وضوح (Resolution Limit) است و ممکن است انجمن ‌های کوچک را نادیده بگیرد.رویکرد های چگالی ‌پایه در کشف انجمنروش ‌های چگالی ‌پایه بر این فرض استوار هستند که انجمن ‌ها نواحی متراکم در فضای گراف هستند. در این رویکرد ها، به‌ جای تمرکز صرف بر تقسیم ‌بندی کلی شبکه، بر تحلیل چگالی ارتباطات محلی میان گره ‌ها تأکید می ‌شود. پژوهش ارائه ‌شده توسط Felfli و همکاران در ژورنال Applied Network Science  نمونه ‌ای برجسته از این دسته روش‌ ها است که یک الگوریتم پژوهشی غیر مروری برای کشف انجمن‌ های سلسله‌ مراتبی مبتنی بر چگالی ارائه می‌ دهد. این روش نشان می ‌دهد که تحلیل چگالی می ‌تواند در شناسایی ساختار های چند سطحی شبکه بسیار مؤثر باشد. روش ‌های مبتنی بر یادگیری نمایش گرافبا ظهور شبکه‌ های عصبی گرافی، رویکرد های جدیدی برای کشف انجمن معرفی شده‌ اند که بر یادگیری نمایش‌ های برداری گره‌ ها متکی هستند. در این روش ‌ها، هر گره به یک بردار در فضای ویژگی نگاشت می‌شود به‌گونه‌ ای که شباهت بردارها بازتاب ‌دهنده شباهت ساختاری گره ‌ها در گراف باشد. پژوهش Liu و همکاران (2023) در ژورنال Expert Systems with Applications  نشان می ‌دهد که استفاده از شبکه ‌های پیچشی گراف می ‌تواند دقت کشف انجمن ‌ها را به‌ طور قابل توجهی افزایش دهد، به ‌ویژه در شبکه ‌هایی که دارای ساختار پیچیده و ناهمگن هستند.روش‌شناسی پژوهش و چارچوب پیشنهادیروش‌شناسی پژوهشدر این بخش، چارچوب روش ‌شناختی پیشنهادی برای کشف انجمن‌ ها و تحلیل ساختار شبکه ‌های اجتماعی تشریح می ‌شود. رویکرد این پژوهش مبتنی بر ترکیب تحلیل ساختاری گراف، یادگیری نمایش گره‌ ها با استفاده از شبکه ‌های عصبی گرافی، و روش ‌های چگالی ‌پایه برای استخراج انجمن‌ ها است. این ترکیب امکان شناسایی دقیق ‌تر ساختار های درون ‌گروهی و ارائه تحلیل‌ های عمیق‌ تری از شبکه را فراهم می ‌سازد.مدل‌سازی شبکه اجتماعیشبکه اجتماعی مورد مطالعه به‌ صورت یک گراف بدون جهت مدل‌سازی می ‌شود که با نمادنمایش داده می ‌شود. در این مدل:مجموعه گره‌ ها (کاربران شبکه اجتماعی)مجموعه یال ‌هااست. وجود یال بین دو گره نشان ‌دهنده نوعی تعامل مستقیم یا غیر مستقیم میان آن‌ ها می‌ باشد. در صورت وجود وزن برای یال‌ ها، وزن می ‌تواند شدت تعامل (تعداد پیام، دفعات ارتباط، یا میزان شباهت رفتاری) را نشان دهد.این مدل‌سازی امکان استفاده از مفاهیم بنیادی شبکه‌های پیچیده مانند درجه، مسیر، خوشه‌بندی و مرکزیت را فراهم می‌کند و پایه‌ای برای مراحل بعدی تحلیل محسوب می‌شود.پیش‌پردازش داده‌هاداده ‌های خام شبکه ‌های اجتماعی معمولاً شامل نویز، گره ‌های منفرد و تعاملات کم‌ اهمیت هستند. به ‌منظور افزایش دقت کشف انجمن‌ ها، مراحل پیش‌ پردازش زیر انجام می ‌شود:حذف گره ‌های منفرد:گره‌ هایی که درجه آن‌ ها صفر یا بسیار پایین است، تأثیر معناداری بر ساختار انجمنی ندارند و حذف می ‌شوند.نرمال‌ سازی داده ‌ها:در صورت وجود وزن یال‌ ها یا ویژگی ‌های گره‌ ها، داده ‌ها نرمال‌ سازی می ‌شوند تا از غلبه مقیاس ‌های متفاوت جلوگیری شود.ساخت ماتریس مجاورت:ماتریس مجاورت به‌ صورت زیر تعریف می ‌شود:افزودن حلقه ‌های خودی  برای استفاده در شبکه‌ های عصبی گرافی، به ماتریس مجاورت حلقه ‌های خودی افزوده می ‌شود تا اطلاعات هر گره در فرآیند یادگیری حفظ گردد.یادگیری نمایش گراف با شبکه‌ های پیچشی گرافشبکه‌ های پیچشی گراف (Graph Convolutional Networks) یکی از مؤثرترین ابزار ها برای یادگیری نمایش گره ‌ها در داده‌ های گراف ‌ساختار هستند. ایده اصلی GCN، تجمیع اطلاعات همسایگی هر گره و به ‌روزرسانی نمایش آن بر اساس ویژگی ‌های گره ‌های مجاور است.فرآیند به ‌روزرسانی لایه ‌ای در GCN به ‌صورت زیر تعریف می ‌شود:که در آن:ماتریس مجاورت به‌همراه حلقه‌ های خودیماتریس درجه متناظرنمایش گره ‌ها در لایهماتریس وزن ‌های قابل یادگیریتابع فعال ‌سازی غیر خطیپس از عبور داده ‌ها از چند لایه GCN، نمایش نهایی هر گره به ‌گونه‌ ای خواهد بود که هم اطلاعات محلی (همسایگان مستقیم) و هم اطلاعات ساختاری گسترده ‌تر شبکه را در خود دارد. این نمایش‌ ها مبنای اصلی فرآیند کشف انجمن در مرحله بعدی هستند.کشف انجمن با استفاده از رویکرد چگالی ‌پایهپس از استخراج نمایش‌ های برداری  گره ‌ها، مسئله کشف انجمن به ‌عنوان یک مسئله خوشه ‌بندی در فضای ویژگی در نظر گرفته می‌ شود. در این پژوهش، از یک رویکرد چگالی ‌پایه برای خوشه ‌بندی استفاده می ‌شود که بر اساس تراکم نقاط در فضای نمایش گراف عمل می ‌کند.در این رویکرد:گره‌ هایی که در نواحی با چگالی بالا قرار دارند، به‌عنوان اعضای اصلی یک انجمن شناسایی می ‌شوند.گره‌ های مرزی یا با چگالی پایین، ممکن است به انجمن‌ های مجاور تخصیص داده شوند یا به‌عنوان گره‌ های حاشیه ‌ای در نظر گرفته شوند.این روش نسبت به خوشه ‌بندی ‌های کلاسیک مزیت ‌هایی نظیر عدم نیاز به تعیین تعداد انجمن ‌ها از پیش و توانایی شناسایی انجمن‌ های با شکل ‌های نا منظم دارد.محاسبه تراکم انجمن ‌هایکی از خروجی ‌های کلیدی پروژه، محاسبه تراکم انجمن‌ ها است. تراکم هر انجمن به ‌صورت زیر تعریف می ‌شود:که در آن:تعداد یال ‌های درون انجمنتعداد گره ‌های انجمناین معیار نشان می ‌دهد که تا چه حد گره‌ های یک انجمن به یکدیگر متصل هستند. انجمن‌ هایی با تراکم بالا معمولاً بیانگر گروه‌ های اجتماعی منسجم ‌تر و پایدار تر هستند.معیار ماژولاریتیبرای ارزیابی کیفیت کلی تقسیم‌ بندی شبکه به انجمن‌ ها، از معیار ماژولاریتی استفاده می‌شود که به ‌صورت زیر تعریف می‌ شود:که در آن:تعداد کل یال‌هادرجه گرهانجمن گرهتابع کرونکرمقادیر بالاتر ماژولاریتی نشان ‌دهنده ساختار انجمنی قوی ‌تر در شبکه هستند.رساناییرسانایی یکی دیگر از معیار های مهم برای سنجش کیفیت انجمن ‌ها است که میزان اتصال انجمن به سایر بخش ‌های شبکه را اندازه‌ گیری می‌ کند. رسانایی پایین نشان ‌دهنده جدایی بهتر انجمن از بقیه شبکه است.پیاده ‌سازی چارچوب پیشنهادیپیاده ‌سازی چارچوب پیشنهادی شامل مراحل زیر است:دریافت داده‌ های شبکه اجتماعی و ساخت گرافپیش ‌پردازش و پاک ‌سازی داده ‌هاآموزش مدل GCN برای یادگیری نمایش گره‌ هااعمال خوشه ‌بندی چگالی ‌پایه برای کشف انجمن ‌هامحاسبه معیارهای تراکم، ماژولاریتی و رساناییتولید گراف‌ های بصری برای نمایش انجمن ‌هاارزیابی  و تحلیل نتایجدر این بخش، عملکرد چارچوب پیشنهادی برای کشف انجمن ‌ها در شبکه‌ های اجتماعی مورد ارزیابی قرار می‌ گیرد. هدف اصلی این ارزیابی، بررسی کیفیت انجمن ‌های شناسایی ‌شده و میزان توانایی روش پیشنهادی در استخراج ساختارهای معنادار شبکه است. برای این منظور، نتایج حاصل از چارچوب پیشنهادی با چند رویکرد مرجع مقایسه شده و از معیار های استاندارد تحلیل شبکه استفاده می‌ شود.تنظیمات آزمایششبکه‌ های اجتماعی مورد استفاده در این پژوهش از داده‌ های واقعی استخراج شده ‌اند که ساختار آن ‌ها نمایانگر تعاملات کاربران در محیط ‌های اجتماعی آنلاین است. هر شبکه شامل مجموعه ‌ای از گره‌ ها (کاربران) و یال ‌ها (روابط اجتماعی) بوده و فاقد برچسب از پیش‌ تعریف‌ شده برای انجمن ‌ها می‌باشد. ازاین‌ رو، ارزیابی مبتنی بر معیار های ساختاری صورت می ‌گیرد.برای مقایسه عملکرد، چارچوب پیشنهادی با روش ‌های مرجع زیر مقایسه شده است:الگوریتم مبتنی بر بهینه ‌سازی ماژولاریتیروش خوشه ‌بندی مبتنی بر ساختار گراف بدون یادگیری نمایشمدل GCN پایه بدون تحلیل چگالیتمام روش ‌ها روی یک داده ورودی یکسان اجرا شده ‌اند تا امکان مقایسه منصفانه فراهم شود.تحلیل ماژولاریتیماژولاریتی به ‌عنوان یکی از مهم ‌ترین معیار های سنجش کیفیت کشف انجمن، نقش محوری در این ارزیابی دارد. نتایج محاسبه ‌شده نشان می ‌دهد که روش پیشنهادی در مقایسه با الگوریتم‌ های مرجع، مقادیر بالاتری از ماژولاریتی را تولید می‌کند. این امر بیانگر آن است که انجمن ‌های شناسایی ‌شده توسط چارچوب پیشنهادی دارای ساختار درون ‌گروهی منسجم ‌تر و ارتباطات برون‌ گروهی ضعیف ‌تر هستند.تحلیل دقیق ‌تر نشان می ‌دهد که استفاده از یادگیری نمایش گراف باعث می ‌شود وابستگی‌ های غیر محلی در شبکه بهتر مدل ‌سازی شوند، در حالی که ترکیب آن با تحلیل چگالی، از ادغام نادرست انجمن ‌های مجزا جلوگیری می‌کند. این ویژگی به‌ ویژه در شبکه‌ هایی با ساختار پیچیده و ناهمگن اهمیت دارد.تحلیل تراکم انجمن‌ هایکی از خروجی ‌های اصلی پروژه، محاسبه و تحلیل تراکم انجمن‌ ها است. نتایج نشان می ‌دهد که انجمن‌ های استخراج ‌شده توسط روش پیشنهادی دارای تراکم داخلی بالاتری نسبت به روش ‌های مرجع هستند. این موضوع بیانگر آن است که گره‌ های هر انجمن ارتباطات بیشتری با یکدیگر دارند و از نظر ساختاری به‌درستی گروه‌ بندی شده‌اند.تحلیل توزیع تراکم انجمن ‌ها نشان می‌ دهد که:انجمن‌ های بزرگ ‌تر معمولاً دارای تراکم متوسط هستند.انجمن‌های کوچک‌تر اما منسجم، تراکم بالاتری دارند.تفاوت معناداری میان تراکم درون‌انجمنی و برون‌انجمنی مشاهده می ‌شود.این نتایج با انتظار نظری از ساختار شبکه ‌های اجتماعی واقعی هم ‌خوانی دارد، زیرا گروه‌ های اجتماعی کوچک‌ تر معمولاً تعاملات قوی ‌تری دارند.تحلیل رساناییرسانایی به‌ عنوان معیاری برای سنجش میزان جدایی انجمن ‌ها از سایر بخش ‌های شبکه، مکمل مناسبی برای ماژولاریتی و تراکم محسوب می‌ شود. نتایج نشان می‌ دهد که انجمن‌ های شناسایی ‌شده توسط چارچوب پیشنهادی دارای مقادیر رسانایی پایین‌ تری هستند، که بیانگر مرزبندی واضح ‌تر میان انجمن ‌ها می ‌باشد.کاهش رسانایی در روش پیشنهادی نشان می ‌دهد که ترکیب تحلیل چگالی و یادگیری نمایش گراف، از ایجاد انجمن‌ های مصنوعی یا بیش‌ازحد هم ‌پوشان جلوگیری کرده و ساختار واقعی شبکه را بهتر بازنمایی می ‌کند.نمایش بصری گراف انجمن‌ هایکی از جنبه ‌های مهم این پروژه، نمایش تصویری گراف انجمن ‌ها به‌منظور درک شهودی ساختار شبکه است. برای این منظور، گراف شبکه با استفاده از الگوریتم ‌های چیدمان نیرو-محور (Force-Directed Layout) ترسیم شده و هر انجمن با رنگی متمایز نمایش داده شده است.  تفسیر نمایش بصریتحلیل بصری گراف‌ ها نشان می ‌دهد که:انجمن ‌ها به‌صورت خوشه ‌های مجزا و قابل تشخیص ظاهر می ‌شوند؛گره ‌های مرکزی معمولاً در مرز چند انجمن قرار دارند؛یال‌ های درون ‌انجمنی به ‌مراتب متراکم ‌تر از یال‌ های بین‌ انجمنی هستند.این نمایش‌ ها تأیید بصری نتایج عددی به ‌دست ‌آمده از معیار های ماژولاریتی و تراکم هستند و نشان می ‌دهند که چارچوب پیشنهادی توانایی بالایی در تفکیک ساختار های اجتماعی دارد. تحلیل ساختار شبکهعلاوه بر کشف انجمن‌ ها، تحلیل ساختار کلی شبکه اجتماعی یکی دیگر از اهداف اصلی این پژوهش است. در این بخش، ویژگی ‌های ساختاری شبکه با استفاده از مفاهیم شبکه‌ های پیچیده بررسی می‌شود.توزیع درجهتوزیع درجه گره ‌ها یکی از شاخص ‌های کلیدی برای شناخت ماهیت شبکه است. نتایج نشان می ‌دهد که توزیع درجه شبکه مورد مطالعه دارای دنباله سنگین است، به‌گونه ‌ای که تعداد کمی از گره‌ ها دارای درجه بسیار بالا بوده و بخش عمده ‌ای از گره‌ ها درجه پایینی دارند. این ویژگی نشان ‌دهنده رفتار مقیاس ‌آزاد شبکه است که در بسیاری از شبکه‌ های اجتماعی واقعی مشاهده می ‌شود.تحلیل مرکزیت گره ‌هابرای شناسایی گره ‌های تأثیرگذار در شبکه، معیار های مختلف مرکزیت از جمله مرکزیت درجه و مرکزیت بینابینی محاسبه شده است. نتایج نشان می‌دهد که گره‌ های با مرکزیت بالا اغلب نقش واسطه بین انجمن ‌ها را ایفا می‌ کنند و حذف آن ‌ها می‌تواند ساختار شبکه را به‌ طور قابل توجهی تغییر دهد. این گره‌ ها معمولاً نقش کلیدی در انتشار اطلاعات و اتصال گروه ‌های اجتماعی دارند.ویژگی دنیای کوچکبا محاسبه طول متوسط مسیر ها و ضریب خوشه‌بندی، مشخص شد که شبکه اجتماعی مورد مطالعه دارای ویژگی‌ های دنیای کوچک است. این بدان معناست که علی‌رغم اندازه بزرگ شبکه، فاصله میان گره‌ ها کوتاه بوده و در عین حال خوشه ‌بندی محلی بالایی وجود دارد. این ویژگی تأیید می‌ کند که مدل ‌سازی شبکه و تحلیل انجام‌ شده با خصوصیات واقعی شبکه‌ های اجتماعی هم ‌راستا است.تفسیر نتایجنتایج به ‌دست ‌آمده نشان می ‌دهد که چارچوب پیشنهادی، با ترکیب یادگیری نمایش گراف و تحلیل چگالی، قادر است ساختار های انجمنی معنادار و تفسیر پذیری را استخراج کند. این رویکرد نسبت به روش‌ های کلاسیک مزایای متعددی دارد از جمله:کاهش وابستگی به پارامتر های دستی؛ توانایی شناسایی ساختار های پیچیده و ناهمگن؛ ارائه تحلیل هم ‌زمان کمی و بصری از شبکه.این ویژگی ‌ها چارچوب پیشنهادی را به گزینه ‌ای مناسب برای تحلیل شبکه ‌های اجتماعی واقعی تبدیل می ‌کند.جمع‌ بندی و نتیجه ‌گیریدر این مقاله، یک چارچوب جامع برای کشف انجمن ‌ها و تحلیل ساختار شبکه‌ های اجتماعی ارائه شد. شبکه اجتماعی به‌ صورت گراف مدل‌سازی شد و با استفاده از شبکه ‌های عصبی گرافی و روش‌ های چگالی ‌پایه، انجمن ‌های شبکه شناسایی گردیدند. نتایج نشان داد که روش پیشنهادی نسبت به الگوریتم ‌های مرجع، انجمن ‌هایی با تراکم بالاتر، ماژولاریتی بیشتر و رسانایی کمتر استخراج می ‌کند.علاوه بر این، تحلیل ساختار شبکه نشان داد که شبکه مورد مطالعه دارای ویژگی ‌های مقیاس‌آزاد و دنیای کوچک است که با خصوصیات شبکه ‌های اجتماعی واقعی تطابق دارد. نمایش بصری گراف انجمن‌ ها نیز به درک بهتر ساختار شبکه کمک کرد و نتایج عددی را تأیید نمود.در مجموع، این پژوهش نشان می‌دهد که استفاده از رویکردهای گراف ‌محور پیشرفته می ‌تواند نقش مؤثری در تحلیل شبکه‌ های اجتماعی ایفا کند و مبنایی مناسب برای پژوهش ‌های آینده در زمینه شبکه ‌های پویا و تحلیل رفتار اجتماعی فراهم سازد.مراجعLiu, H., et al. (2023). Community detection based on community perspective and graph convolutional network. Expert Systems with Applications.Felfli, Z., et al. (2019). Community detection and unveiling of hierarchy in networks: a density-based clustering approach. Applied Network Science.Yang, J., & Leskovec, J. (2015). Defining and evaluating network communities. Knowledge and Information Systems.امیرمحمد حقانیامیرمحمد حقانیMon, 09 Feb 2026 23:47:16 +0330