مروری بر تشخیص اجتماع در شبکه های اجتماعی مبتنی بر یادگیری عمیق تطبیقی: مفاهیم، الگوریتم ها و کاربردها

چکیده مقاله

تشخیص اجتماع در شبکه های اجتماعی یکی از موضوعات کلیدی در تحلیل داده های گرافی است که به شناسایی ساختارهای پنهان و گروه های همپوشان کاربران کمک می کند افزایش حجم و پویایی داده های شبکه های اجتماعی سنتی مثل فیسبوک، توییتر و اینستاگرام، نیازمند الگوریتم هایی با قابلیت سازگاری و به روزرسانی مداوم مدل هاست یادگیری عمیق تطبیقی، به عنوان یک رویکرد نوین، امکان بهره گیری از مدل های یادگیری عمیق با انعطاف پذیری بالا را فراهم می کند تا در مواجهه با تغییرات سریع در ساختار گراف و ویژگی های گره ها عملکرد بهینه ای ارائه دهند تکنیک های مبتنی بر گراف عصبی تطبیقی با به کارگیری مکانیزم های به روزرسانی پویا، توانسته اند محدودیت های روش های سنتی را در مدیریت داده های پویا حل کرده و کیفیت تشخیص اجتماع را بهبود دهند با وجود پیشرفت های قابل توجه، چالش هایی همچون مقیاس پذیری شبکه های بزرگ، مقابله با نویز و داده های ناقص و کاهش هزینه های محاسباتی کماکان نقاط ضعف این حوزه هستند ترکیب یادگیری تطبیقی با دیگر رویکردهای نوظهور، از جمله یادگیری خودنظارتی و یادگیری چندوظیفه ای، چشم اندازهای امیدوارکننده ای برای آینده تشخیص اجتماع در شبکه های اجتماعی ایجاد کرده است

کلیدواژه‌ها

نویسندگان

شهلا موسوی

دانشجوی دکترای دانشگاه آزاداسلامی، واحد اصفهان خوراسگان ،اصفهان،ایران

موسوی، شهلا،1405،مروری بر تشخیص اجتماع در شبکه های اجتماعی مبتنی بر یادگیری عمیق تطبیقی: مفاهیم، الگوریتم ها و کاربردها،سی امین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک،شیروان

ارائه‌شده در

مجموعه مقالات سی امین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک30 اردیبهشت 1405 · شیروان