چکیده فارسی :

گراف کلاسترینگ در بسیاری از پژوهش ها ، یک مشکل اصلی و جدی محسوب می شود . هدف از کلاسترینگ سازماندهی اشخاص ، اشیاء و رویدادهای مختلف در کلاستر های متفاوت است بگونه ایی که میان اعضای هر کلاستر ارتباط بسیار بالای وجود داشته باشد و بین اعضای کلاستر های مختلف میزان ارتباط نسبتا پایین تری وجود داشته باشد . در این مقاله الگوریتم جدیدی به نام نقشه خودسازماندهی برای خوشه بندی شبکه های اجتماعی (SOMSN ) پیشنهاد شده است تا بتوان با استفاده از آن چنین گروههایی را شناسایی کرد . SOMSN براساس شبکه های عصبی نقشه خود سازماندهی طراحی شده است . در این متد ، با تطبیق متد به روزرسانی  – وزن دهی جدیدی ، یک شبکه اجتماعی را براساس ارتباط توپولوژیکی هر گره به کلاستر های مختلفی تقسیم می کنیم . این گونه کلاستر ها جامعه آماری ذکر شده در شبکه های اجتماعی هستند . برای نشان دادن تاثیر روش ارائه شده ، SOMSN برروی چندین شبکه اجتماعی با تعداد مشخص جوامع و ساختار های تعریف شده به کار برده شده است . نتایج حاصل از آزمایشات نشان می دهد که دقت کلاسترینگ روش پیشنهادی در مقایسه با الگوریتم های پیشین ، امیدوار کننده است .

واژگان کلیدی :  کلاسترینگ ( خوشه بندی ) ، شبکه اجتماعی ، شبکه های عصبی نقشه خود سازمان دهی (SOM).

چکیده انگلیسی :

Graph Clustering is a fundamental problem in many areas of research. The purpose of clustering is to organize people, objects, and events in different clusters in such a way that there exist a relatively strong degree of association between the members of each cluster and a relatively weak degree of association between members of different clusters. In this paper, a new algorithm named self-organizing map for clustering social networks (SOMSN) is proposed for detecting such groups. SOMSN is based on self-organizing map neural network. In SOMSN, by adapting new weight updating method, a social network is divided into different clusters according to the topological connection of each node. These clusters are the communities that mentioned above, in social networks. To show the effectiveness of the presented approach, SOMSN has been applied on several classic social networks with known number of communities and defined structure. The results of these experiments show that the clustering accuracy of SOMSN is superior compared to the traditional algorithms.
Keywords :
Clustering, Social Network, Self-Organizing Map (SOM), Neural Networks