توسعه الگوریتم تعیین کنشگران کلیدی در شبکه های اجتماعی چندلایه با درنظرگرفتن همزمان مشخصه های فردی و ساختار ارتباطات میان اعضای شبکه
محورهای موضوعی : مدیریت فناوری اطلاعاتفرناز برزین پور 1 , سمیه علیزاده 2 , بنت الهدی علی احمدی 3
1 -
2 -
3 - دانشگاه علم و صنعت ایران
کلید واژه: شبکه اجتماعی کنشگران کلیدی شاخص مرکزیت خوشه بندی تحلیل شبکه ای شبکه های پیچیده,
چکیده مقاله :
تحلیل شبکه اجتماعی (SNA) به نگاشت و سنجش ارتباطات میان افراد، گروهها، سازمانها، ... می پردازد. شاخص های مرکزیت در این حوزه بمنظور تعیین مهمترین کنشگران درون شبکه اجتماعی تعریف شده اند. یکی از اصلی ترین شاخصهای مرکزیت، مرکزیت نزدیکی می باشد، در این شاخص، مرکزی ترین گره، گره ای است که از سایر گره ها به بقیه نزدیکتر باشد. در این کار تحقیقاتی به ارائه یک چارچوب مفهومی برای تعریف شاخص های مرکزیت نزدیکی در شبکه‌های پیچیده خواهیم پرداخت. با توجه به اینکه یکی از بزرگترین محدودیتهای تعیین شاخصهای مرکزیت آنست که این شاخصها صرفا براساس موقعیت افراد در شبکه و ساختار رابطه شان با سایر اعضای شبکه معین می شوند و تاثیر ویژگی های فردی در آنها نادیده انگاشته می شود، چارچوب پیشنهادی این پژوهش مبتنی بر ترکیب دو رویکرد است: رویکرد سنتی علوم اجتماعی و رویکرد تحلیل شبکه‌های اجتماعی؛ یعنی به طور همزمان به ویژگی‌های فردی وساختار روابط توجه شود. از سوی دیگر کشف اجتماعات و ساختار خوشه ای در شبکه‌های پیچیده از اهمیت قابل توجهی برخوردار است به دلیل آنکه به فهم ساختار و عملکرد شبکه‌ها کمک می‌کند و برای تفسیر برخی انواع شاخصهای مرکزیت نیز الزامی است. لذا ما خوشه‌بندی طیفی )با تعیین قبلی تعداد خوشه‌های بهینه( را به‌عنوان مرحله پیش‌نیاز یافتن این نوع شاخصهای مرکزیت پیشنهاد می‌کنیم. بر اساس چارچوب مذکور الگوریتمی برای محاسبه مرکزیت نزدیکی در شبکه‌های پیچیده ارائه خواهیم داد .سپس این الگوریتم برروی شبکه باشگاه کاراته زاخاری اعمال شد که تاکنون بطور وسیعی بعنوان ترازیابی برای کشف اجتماعات در ادبیات موضوع بکاررفته است. نتایج نشانگر این امر است که الگوریتم جدید ما هم در تعیین تعداد مناسب (بهینه) خوشه‌ها کاراست و هم در تعیین مرکزیت نزدیکی درون‌خوشه‌ای.
Social Network Analysis (SNA) is associated with the mapping and measuring of relationships and flows between people, groups, organizations, etc. Centrality measures in this context are defined to identify the most important actors in social network. One of the main centrality measures is closeness centrality; in this measure a node is more "central" if it is closer to many more nodes than any other node. In this paper, we develop a conceptual framework for defining centrality measures in complex networks. It is to be noted that one of the major limitations of determining centrality measures is concerning with the structure and effects of relations among people, groups or organizations in principle, and largely ignoring psychological attributes of the individuals. Therefore the proposed framework is based on the combination of two approaches: social network analysis and traditional social science approach by considering both structure of relations and individual characteristics. Detecting communities in complex networks is of considerable importance for understanding both the structure and function of the networks and it is necessary to interpret radial centrality measures. Therefore, we propose spectral clustering by determining the best number of communities as a prerequisite stage before finding closeness measures of centrality. Based on the proposed framework, an algorithm to compute the closeness centrality in complex networks is developed. We test the proposed algorithm on Zachary’s karate club network which is considerably used as a benchmark for community detection in a network. Experimental results indicate that the new algorithm is efficient at detecting both good inter-cluster closeness centrality and the appropriate number of clusters.
