Abstract:
تشخیص انجمنهای همپوشان در شبکههای اجتماعی بسیار بزرگ با عاملهای هوشمند یک مساله سخت و مهم است که قدرت تشخیص و تحلیل آن شبکهها را از حالت بیدرنگِ برخط خارج میکند. همپوشانی انجمنها در کنار افزایش ابعاد و ارتباطات این شبکهها به چالشهای پیچیدگی زمان زیاد جستجوی انجمنها و افزایش طاقتفرسای حافظه مصرفی منجر میشود که از قابلیت کنترل سریع آنها میکاهد. ارائه روشهای توزیعی مقیاسپذیر تصادفی و عاملگرا، بر اساس انتشار برچسب در شبکههای بسیار بزرگ و پیچیده به کاهش زمان جستجو و تسریع تشخیص کمک میکند. این مقاله روش توزیعی نوین مقیاسپذیر عاملگرا برای تشخیص انجمنهای همپوشان بر اساس انتشار برچسب توانسته با محدودسازی انتشار پیام و استفاده از معیارهای جدید بر روی معماری چندهستهای، به پیچیدگی خطی زمان اجرا و حافظه مصرفی دست یابد. روش پیشنهادی با آزمون بر روی مجموعه دادههای بسیار بزرگ شبکههای اجتماعی، از نظر زمان اجرا در شبکههای بزرگ تا 9 برابر تسریع و از نظر پیمانهای از %3 تا %100 بهبود دارد و در یافتن انجمنهای همپوشان بسیار دقیق و سریع عمل میکند.
Detection of overlapping communities in large complex social networks with intelligent agents, is an NP problem with great time complexity and large memory usage and no simultaneous online solution. Proposing a novel distributed label propagation approach can help to decrease the searching time and reduce the memory space usage. This paper presents a scalable distributed overlapping community detection approach based on the label propagation method by proposing a novel algorithm and three new metrics to expand scalability and improve modularity through agent-based implementation and good memory allocation in a multi-core architecture. The experimental results of large real datasets over the state-of-the-art SLPA approach show that the execution time speeds up by 900% and the modularity improves by 3% to 100% thus producing fast and accurate detection of overlapped communities.