برای هر تشکل :

شباهت اسناد موجود در تشکل های غیر از با عناوین تشکل محاسبه می­ شود.
اسناد و کاربران منتسب به آن­ها در صورتی منتقل می­شوند که شباهت آنها از یک حد آستانه^[۱۴۹] بیشتر باشد.
تا زمانی که الگوریتم به همگرایی نرسیده به ii برگشته و تمام مراحل را تکرار می­کنیم.
برای محاسبه شباهت^[۱۵۰] بین اسناد از معیار شباهت کسین^[۱۵۱] استفاده می­کنیم. معیار شباهت کسین، یکی از پرکاربردترین معیارها در حوزه بازیابی^[۱۵۲] اطلاعات می­باشد. این معیار کسینوس زاویه بین دو سند a و b را در فضای برداری محاسبه می­ کند. خروجی این معیار ارزیابی یک عدد نرمال شده در بازه‌ی صفر تا یک است که صفر نشان دهنده‌ی عدم تشابه و یک نشان‌دهنده‌ی یکسان بودن دو بردار است. فرمول محاسبه­ی این معیار به صورت زیر تعریف می­ شود:

(۳-۱۲)

شکل (۳-۱۱) نشان دهنده فلوچارت^[۱۵۳] الگوریتم CDBLC است.
شکل ۳-۱۱- فلوچارت الگوریتم CDBLC

جمع­بندی

در این بخش، برای حل مسئله تشخیص تشکل­ها در شبکه ­های اجتماعی، روشی ارائه شد که در آن سعی ­می­ شود از بسیاری از داده ­های موجود در شبکه برای شناسایی تشکل­های بهتر و مناسب­تر استفاده شود.
در فاز اول، بر اساس اطلاعات لینک موجود در شبکه و با بهره گرفتن از یک روش مبتنی بر مدل تشکل­های اولیه شناسایی می­شوند. در فاز دوم، از اطلاعات محتوایی هر گره نیز استفاده شده و بر اساس روش­های پیمایش متن، تشکل­ها تغییر یافته و تکامل می­یابند. این کار باعث می­ شود تشکل­های معناداری استخراج شوند و توضیح روابط بین اعضا نیز میسّر می­ شود.
در بخش بعد، آزمایشات نشان خواهند داد که روش CDBLC از روش پایه پیمایش متن بهتر عمل می­ کند.
فصل چهارم:
نتایج

نتایج

مقدمه

به طور کلی، بررسی کارایی هر الگوریتم پیشنهادی برای تشخیص تشکل­ها در شبکه ­های اجتماعی، با توجه به اینکه در اکثر موارد، ساختار تشکل واقعی^[۱۵۴] یا کلا در دسترس نیست یا به­ طور ناقص در دسترس است، کاری بسیار دشوار و غیر علمی به­نظر می­رسد. در عمل نیز چون ساختار تشکل­ها دائما در حال تغییر هستند و ساختار معین و از پیش تعیین شده ای ندارند، چالش بسیار بزرگی در راه بررسی و تحلیل شبکه ­های اجتماعی وجود دارد. بنابراین احتیاج به معرفی معیار­های ارزیابی کارایی وجود دارد که تا جایی که امکان دارد برای ارزیابی نیاز به مقایسه با ساختار واقعی نداشته باشد.
در این بخش از پایان نامه، نتایج آزمایشات تجربی برای نشان دادن برتری روش­ پیشنهادی با روش های موجود نشان داده می­ شود. برای این کار از مجموعه داده­ی مشخص به همراه ساختار تشکل واقعی Cora و مجموعه داده­ی واقعی بدون ساختار تشکل واقعی Twitter استفاده کرده­ایم که ار ادامه آنها را معرفی خواهیم کرد.
لازم به ذکر است که روش پیشنهادی ما در Matlab و بر روی سیستمی با مشخصات Processor Intel® Core™ 7 Duo CPU …GHz و ۱۶GB RAM پیاده سازی و اجرا شده است.

مجموعه داده ­ها

در ادامه مجموعه داده ­های به­کار رفته در آزمایشات را شرح خواهیم داد.

مجموعه داده­ی Cora

مجموعه داده­ی Cora که توسط ^[۱۵۵]MCcallum به صورت دستی بر­چسب خورده، شامل مقالات^[۱۵۶] یادگیری ماشین^[۱۵۷] می­باشد[۳۷]. این مقاله­ها در یکی از هفت کلاس زیر، کلاس بندی^[۱۵۸] می­شوند:
نظریه^[۱۵۹]
یادگیری قوانین^[۱۶۰]
یادگیری تقویتی^[۱۶۱]
روش­های آماری^[۱۶۲]
شبکه ­های عصبی^[۱۶۳]
الگوریتم­های ژنتیک^[۱۶۴]
بر اساس مورد^[۱۶۵]
این مقالات به­نحوی انتخاب شده ­اند که در مجموعه­ نهایی، هر مقاله حداقل توسط یک مقاله دیگر ارجاع^[۱۶۶] داده شده باشد یا حداقل به یک مقاله دیگر ارجاع کرده باشد. تعداد کل مقالات موجود در مجموعه ۲۷۰۸ می­باشد.
بعد از مشتق­گیری^[۱۶۷] از کلمات و حذف کلمات توقف^[۱۶۸]، تعداد کلمات منحصر به فرد موجود در مجموعه برابر ۱۴۳۳ می­باشد. همچنین تمامی کلماتی که در کمتر از ۱۰ سند آمده باشند نیز از این مجموعه کنار گذاشته شده ­اند.
مجموعه کدهای پیش پردازش داده ­ها با زبان JAVA نوشته شده ­اند.

مجموعه داده­ی Twitter

Twitter یک شبکه‌ی اجتماعی و سرویس ارائه دهنده‌ی میکروبلاگ است که به کاربران اجازه می‌دهد تا ۱۴۰ حرف، پیام متنی را که توییت^[۱۶۹] نامیده می‌شود، ارسال کنند. این میکروبلاگینگ در سال ۲۰۱۲ دارای ۵۰۰ میلیون کاربر فعال بوده است که ۳۴۰ میلیون توییت در روز ارسال می‌کنند و بیش از ۱.۶ میلیارد جستجو در آن انجام می‌شود^[۱۷۰][۳۸].
این مجموعه داده شامل Tweetهای شبکه اجتماعی Twitter در سال ۲۰۰۹ میلادی است. به دلیل بزرگ بودن این مجموعه، در این آزمایشات ما از ۳۰% داده ها استفاده می­کنیم.
برای پیش پردازش، همانند Cora ابتدا از کلمات مشتق­گیری کرده سپس کلمات توقف و کلماتی که در کمتر از ۱۰ سند آمده­اند را حذف می­کنیم. سپس ۳۰% داده ­ها را به صورت تصادفی انتخاب کرده و آزمایشات را بر روی آنها انجام می­دهیم.

معیار­های ارزیابی

همان­طور که پیشتر نیز بیان شد، برای ارزیابی کارایی یک الگوریتم شناسایی تشکل­ها در شبکه ­های اجتماعی، نیاز به معیاری داریم که شباهت خروجی الگوریتم پیشنهادی را به ساختار تشکل واقعی شبکه مورد نظر نشان دهد. بدین منظور معیار­های زیادی تعریف شده اند که به طور کلی به سه دسته تقسیم می­شوند:
معیار­های مبتنی بر شمارش زوج^[۱۷۱]
معیار­های مبتنی بر تطابق کلاستر^[۱۷۲]
معیار­های مبتنی بر تئوری اطلاعات^[۱۷۳]