Chương này trình này thử nghiệm 2 thuật toán phát hiện cộng đồng là Girvan-Newman và EAGLE. Qua quá trình thử nghiệm, chúng ta rút ra được một số nhận xét sau:
- Về độ chính xác: Thuật toán Girvan-Newman cho kết quả tốt hơn thuật toán EAGLE.
- Về thời gian chạy: Thuật toán Girvan-Newman chậm hơn thuật toán tìm kiếm EAGLE.
- Với các bộ dữ liệu chứa đồ thị có kích thước rất lớn (hơn 1 triệu đỉnh và hơn 2 triệu cạnh) thì thuật toán Girvan-Newman không thể xử lý được.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận
Mạng xã hội và bài toán phát hiện cộng đồng trong mạng xã hội là những vấn đề được nhiều nhà nghiên cứu quan tâm trong thời đại hiện nay. Luận văn tập trung nghiên cứu độ đo trung gian và thuật toán phát hiện cộng đồng trên mạng xã hội. Các kết quả chính mà luận văn đạt được như sau:
Trình bày mạng xã hội và các các độ đo trên đồ thị mạng xã hội.
Giới thiệu thuật toán phát hiện cấu trúc cộng đồng trên mạng xã hội: thuật toán phân cụm đồ thị, thuật toán Girvan–Newman, thuật toán phát hiện k- cliques, thuật toán EAGLE phát hiện cộng đồng gối nhau.
Thử nghiệm thuật toán Girvan-Newman và thuật toán tìm EAGLE để phát hiện cộng đồng trong mạng xã hội. Các thuật toán được chạy trên các bộ dữ liệu chuẩn kích thước số đỉnh và số cạnh khác nhau.
Hướng phát triển
- Áp dụng cho vùng dữ liệu lớn và tổng quan hơn như các mạng xã hội Facebook, Twitter, Google… Nhưng đòi hỏi cấu hình máy chủ phải rất lớn. - Cài đặt và thử nghiệm các thuật toán khác như CONGA.
TÀI LIỆU THAM KHẢO Tài liệu Tiếng Việt
[1]. Đoàn Văn Ban (chủ nhiệm đề tài), PHÂN TÍCH, PHÁT HIỆN CẤU TRÚC CỘNG ĐỒNG TRÊN MẠNG XÃ HỘI, Báo cáo đề tài VAST01.09/14-15, 2015
[2]. Hoàng Thị Thanh Giang, Nguyễn Thị Thúy Hạnh, Nguyễn Hoàng Huy, So sánh một số thuật toán phân cụm phổ cho dữ liệu biểu diễn gene, Tạp chí Khoa học và Phát triển, tập 13, số 6: 1008-1015, 2015.
[3]. Lê Minh Tiến, Tổng quan phương pháp phân tích mạng xã hội trong nghiên cứu xã hội, Tạp chí Khoa học Xã hội, số 09, tr. 66-77, 2006.
Tài liệu tiếng Anh
[4]. Arif, T., The Mathematics of Social Network Analysis: Metrics for Academic Social Networks, International Journal of Computer Applications Technology and Research, Volume 4 - Issue 12, 889 - 893,
(2015), ISSN: 2319-8656.
[5]. Brandes, U., A faster algorithm for betweenness centrality. Journal of Mathematical Sociology, 25(2):163-177. (2001).
[6]. Brandes, U., Pich, C., Centrality estimation in large networks. International
Journal of Bifurcation and Chaos. (2007).
[7]. Cavique, Luís, Armando B. Mendes, and Jorge MA Santos. "An algorithm to discover the k-clique cover in networks." Portuguese Conference on Artificial Intelligence. Springer, Berlin, Heidelberg, 2009.
[8]. Chuan Shi, Yanan Cai, Di Fu, Yuxiao Dong, Bin Wu, A link clustering based overlapping community detection algorithm, Data & Knowledge Engineering 87 (2013) 394–404
[9]. Clauset, A., Newman, M. E., and Moore, C.: Finding community structure in very large networks. Physical Review E, 70(6):066111, (2004).
[10]. D. Lusseau, K. Schneider, O. J. Boisseau, P. Haase, E. Slooten, and S. M. Dawson, Behavioral Ecology and Sociobiology 54, 396-405 (2003).
[11]. Dutta, K.: Graph Theoretic Approach to Social Network Analysis,
International Journal of Scientific Research in Science and Technology, (4)
2: 1550-1557, (2018).
[12]. Freeman, L.C. A set of measures of centrality based on betweenness. Sociometry 40, 35-41, 1977
[13]. Girvan, M., Newman, M. E. J.: Community structure in social and biological networks, Proceedings of the National Academy of Sciences of the United
States of America, Vol.99, No.12, pp. 7821-7826 (2002).
[14]. Gregory, S.: An Algorithm to Find Overlapping Community Structure in Networks. In: Kok, J.N., Koronacki, J., López de Mántaras, R., Matwin, S., Mladeni$, D., Skowron, A. (eds.) PKDD 2007. LNCS (LNAI), vol. 4702, pp. 91–102. Springer, Heidelberg (2007)
[15]. Huawei Shen, Xueqi Cheng, Kai Cai, and Mao-Bin Hu, Detect overlapping and hierarchical community structure in networks, Physica A 388 (2009) 1706-1712.
[16]. Johnson D.S.: Approximation algorithms for combinatorial problems, Journal of Computer and System Science, 9, 256-278 (1974)
[17]. Kernighan, B. W., and Lin, S.: An efficient heuristic procedure for partitioning graphs. Bell system technical journal, 49(2), 291-307 (1970). [18]. M. E. J. Newman, Mixing patterns in networks. Phys. Rev. E 67, 026126
[19]. M. Girvan and M. E. J. Newman, Proc. Natl. Acad. Sci. USA 99, 7821-7826 (2002).
[20]. M.E.J. Newman and M. Girvan (2003), Finding and evaluating community structure in networks. Preprint cond-mat/0308217.
[21]. Nam, P. Nguyen., Thang, N. Dinh., Ying, Xuan., and My T. Thai.: Adaptive algorithms for detecting community structure in dynamic social networks,
in INFOCOM, 2011 Proceedings IEEE, pp. 2282 - 2290, (2011).
[22]. Newman, Mark EJ. "Fast algorithm for detecting community structure in networks." Physical review E 69.6 (2004): 066133
[23]. Nicosia, Vincenzo, et al. "Extending the definition of modularity to directed graphs with overlapping communities." Journal of Statistical Mechanics: Theory and Experiment 2009.03 (2009): P03024.
[24]. Ruhnau, B.: Eigenvector-centrality – a node-centrality? Social Networks
22(4): 357-365 (2000).
[25]. Santo Fortunato (2010), Community detection in graphs, Technical Report, Complex Networks and Systems Lagrange Laboratory, ISI Foundation, Torino, ITALY, arXiv:0906.0612v2 (2010).
[26]. Scott, J.: Social network analysis: a Handbook. London: SAGE publications, (1991).
[27]. Soriano P., Gendreau M.: Tabu search algorithms for the maximum clique, In: Clique, Coloring and Satisfiability, Second Implementation Challenge DIMACS, Johnson D.S., Trick M.A. (Eds.), 221-242 (1996)
[28]. W. W. Zachary, An information flow model for conflict and fission in small groups, Journal of Anthropological Research 33, 452-473 (1977).
[29]. Wikipedia, Link: https://vi.wikipedia.org/wiki/Cư_dân_mạng, Truy cập ngày 14 tháng 3 năm 2020.
[30]. Yang, Jaewon, and Jure Leskovec. "Defining and evaluating network communities based on ground-truth." Knowledge and Information Systems 42.1 (2015): 181-213.
[31]. Zhang, T., Ramakrishnan, R., Livny, M.: "BIRCH: an efficient data clustering method for very large databases". Proceedings of the 1996 ACM
SIGMOD international conference on Management of data - SIGMOD'96.
pp. 103-114. doi:10.1145/233269.233324, (1996).
[32]. Zhao, F. and Tung, A. K.: Large scale cohesive subgraphs discovery for social network visual analysis. VLDB, pages 85-96, (2012).