تجميع المجتمعات باستخدام تحليل التجزئة المصفوفية غير السلبية على غرار التشفير التلقائي العميق

تُعد البنية المجتمعية شائعة في الشبكات المعقدة الواقعية. ويُعدّ مهمة اكتشاف المجتمعات في هذه الشبكات ذات أهمية بالغة في مجموعة واسعة من التطبيقات. في الآونة الأخيرة، تم اعتماد التحليل التفكيكي للمصفوفة غير السالبة (NMF) على نطاق واسع في اكتشاف المجتمعات بفضل قابليته العالية للتفسير، وملاءمته الطبيعية لالتقاط انتماء العقد إلى المجتمعات. ومع ذلك، فإن الطرق الحالية القائمة على NMF هي طرق سطحية. فهي تتعلم تعيين المجتمعات من خلال تحويل الشبكة الأصلية مباشرة إلى فضاء انتماء المجتمعات. وبالنظر إلى البنية الهيكلية المعقدة والمتعددة الأشكال للشبكات الواقعية، فمن المرجح جدًا أن يحتوي التحويل بين الشبكة الأصلية وفضاء انتماء المجتمعات على معلومات هرمية معقدة، والتي لا يمكن تفسيرها بواسطة الطرق التقليدية السطحية القائمة على NMF. مستوحى من قدرة التشفير العميق (Deep Autoencoder) الفريدة على تعلم تمثيلات الميزات، نقترح نموذجًا جديدًا يُسمى NMF على غرار التشفير العميق (DANMF) لاكتشاف المجتمعات. يشبه DANMF التشفير العميق من حيث البنية، حيث يتكون من مكوّن كاشف (Encoder) ومكوّن فك تشفير (Decoder). تعطي هذه البنية DANMF القدرة على تعلّم التحويلات الهرمية بين الشبكة الأصلية والتعيين النهائي للمجتمعات، مع تعلّم السمات المخفية من المستوى المنخفض إلى العالي بشكل ضمني في الطبقات الوسطى. وبالتالي، ينبغي أن يكون DANMF أكثر ملاءمة لمهام اكتشاف المجتمعات. وأظهرت تجارب واسعة على مجموعات بيانات معيارية أن DANMF يمكنه تحقيق أداءً أفضل من الطرق الحديثة القائمة على NMF لاكتشاف المجتمعات.