Методи і засоби штучного інтелекту у виявленні мікроструктур в глобальних соціальних мережах
Abstract
У сучасних умовах глобальні соціальні мережі відіграють надзвичайно важливу роль, впливаючи як на індивідуальне спілкування, так і на формування професійних взаємодій. Складність цих мереж зумовлює необхідність застосування передових методів аналізу для виявлення взаємозв’язків між користувачами та їх об'єднаннями. У роботі пропонується підхід, який поєднує сучасні алгоритми кластеризації для детального дослідження внутрішніх мікроструктур соціальних мереж. Ми проаналізували методи Spectral Clustering [1] та Label Propagation [2] для оцінки взаємодії користувачів у соціальній мережі X, з акцентом на точність і ефективність виявлення спільнот. Дослідження показує, що ці методи значно підвищують точність ідентифікації груп та сприяють оптимізації процесу аналізу мережевих даних. Зроблено висновки про перспективність інтеграції цих підходів для подальших досліджень структури соціальних мереж.
References
Ng, A. Y., Jordan, M. I., & Weiss, Y. (2002). On spectral clustering: Analysis and an algorithm. Advances in Neural Information Processing Systems, 14.
Raghavan, U. N., Albert, R., & Kumara, S. (2007). Near linear time algorithms to detect community structures in large-scale networks. Physical Review E, 76(3), 036106.
Fortunato, S. (2010). Community detection in graphs. Physics Reports, 486(3-5), 75-174.
Gao, J., Feng, W., & Tang, J. (2022). Enhancing spectral clustering for community detection with deep learning. IEEE Transactions on Neural Networks and Learning Systems, 33(4), 1501-1513.
Wang, H., & Zhang, Y. (2024). Integrating spectral clustering and label propagation for robust community detection in heterogeneous networks. IEEE Transactions on Computational Social Systems, 11(2), 345-359.
