بهبود الگوریتمk-Meansبا استفاده از شاخص های مرکزیت در شبکه های اجتماعی

الگوریتم k-Means یک روش پایه برای بسیاری از روش های خوشه بندی محسوب می شود. این الگوریتم یکی از ساده ترین الگوریتم های یادگیری بدون نظارت است و از یک شیوه ساده برای خوشه بندی یک مجموعه داده در یک تعداد از پیش تعیین شده (k) خوشه، استفاده می کند. ایده اصلی الگوریتم k-Means تعریف k مرکز برای هر یک از خوشه ها می باشد. این مراکز بایستی با دقت زیاد انتخاب شوند، زیرا مراکز مختلف، نتایج مختلف را به وجود می آورند. در این مقاله برای انتخاب k مرکز از شاخص های مرکزیت استفاده شده است. بسیاری از مفاهیم مرکزیت برای اولین بار در تجزیه و تحلیل شبکه های اجتماعی توسعه یافته اند و بسیاری از اصطلاحات برای اندازه گیری مرکزیت به عنوان مبدا جامعه شناختی مورد استفاده قرار می گیرد. در شبکه های اجتماعی گره هایی با مرکزیت بالا، گره های مهمی هستند و نقش مهمی در کارکرد این شبکه ها ایفا می کنند. نتایج حاصل از ارزیابی نشان می دهد که این روش نسبت به روش های مشابه نتایج مطلوبی دارد.

کلیدواژه ها:

الگوریتم k-Means ، خوشه بندی ، شاخص های مرکزیت ، شبکه های اجتماعی ، مرکزیت نزدیکی