علم تصمیم گیری و سیستم های هوشمند 3060-7574 3 1405 03 01 A Novel Multistage Approach to Community Detection in Social Networks Based on Fuzzy DBSCAN Clustering and Reptile Search Optimization رویکردی نوین چند مرحله‌ای برای تشخیص انجمن در شبکه‌های اجتماعی مبتنی بر خوشه‌بندی فازی DBSCAN و بهینه‌سازی جستجوی خزنده 1 27 FA مصطفی علی آبادی گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران حمیدرضا غفاری گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران Journal Article 1405/01/23 <p>Community detection is a fundamental problem in the analysis of complex and social networks. It aims to identify groups of nodes whose internal connections are denser than their connections with other parts of the network. The primary challenges in this field are the unknown number of communities and the large number of nodes in real-world networks. This study proposes a novel multistage approach that combines the Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm with the Reptile Search Algorithm (RSA). In the first stage, the network is initially clustered using DBSCAN and features extracted from the nodes, particularly their neighbor lists. In the second stage, RSA identifies the final communities through three phases: initialization, exploration, and exploitation. The objective function is defined based on two criteria: modularity (Q) and conductance (Cond). The proposed method was evaluated in MATLAB using eight real-world datasets: ca-GrQc, ca-HepPh, ca-HepTh, ca-AstroPh, ca-CondMat, Zachary’s Karate Club network, the American college football network, and the dolphin social network. The experimental results demonstrate that the proposed method outperforms existing methods in most cases, achieving higher values for normalized mutual information (NMI) and modularity (Q).</p> <p>تشخیص انجمن یکی از مسائل بنیادی در تحلیل شبکه‌های پیچیده و اجتماعی است که هدف آن شناسایی گروه‌هایی از گره‌ها با ارتباطات درونی متراکم‌تر نسبت به سایر بخش‌های شبکه می‌باشد. چالش اصلی در این حوزه، عدم آگاهی از تعداد دقیق جوامع و حجم بالای گره‌ها در شبکه‌های واقعی است. در این پژوهش، یک رویکرد چندمرحله‌ای نوین ارائه می‌شود که از ترکیب الگوریتم خوشه‌بندی مبتنی بر چگالی (DBSCAN) و الگوریتم بهینه‌سازی جستجوی خزنده (RSA) بهره می‌گیرد. در مرحله اول، با استفاده از DBSCAN و ویژگی‌های استخراج‌شده از گره‌ها به‌ویژه لیست همسایگان، خوشه‌بندی اولیه شبکه انجام می‌شود. در مرحله دوم، الگوریتم RSA با سه فاز مقداردهی اولیه، اکتشاف و بهره‌برداری، جوامع نهایی را شناسایی می‌کند. تابع هدف بر پایه دو معیار ماژولاریتی (Q) و پراکندگی (Cond) تعریف شده است. روش پیشنهادی روی هشت مجموعه‌داده واقعی شامل ca-GrQc، ca-HepPh، ca-HepTh، ca-AstroPh، ca-CondMat، شبکه کاراته، فوتبال کالج آمریکایی و شبکه دلفین در محیط MATLAB ارزیابی شده است. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی در اکثر موارد عملکرد بهتری نسبت به روش‌های موجود دارد و مقادیر بالاتری از شاخص‌های NMI و ماژولاریتی Q را به دست می‌آورد.</p> https://www.dsisj.com/index.php/dsisj/article/download/52/40