شناخت افراد مهم در شبکه های پیچیده یکی از موضوعات مهم و قابل توجه در شبکه های پیچیده است که در سال های اخیر بسیار مورد توجه قرار گرفته است. روش ها و رویکرد های بسیار زیادی برای این موضوع ارائه شده است که هر کدام جنبه ها و چالش های مختلفی در این زمینه را محور موضوع خود قرار داده اند.
شناخت افراد کلیدی و مهم در یک شبکه نه تنها به درک بهتر از ساختار و رفتار شبکه و بهینه سازی فرآیند های داخلی کمک میکند بلکه می‌تواند تاثیرات چشم گیری بر بهره‌وری و کارآیی کلی یک شبکه داشته باشد. این افراد به عنوان نقاط مرکزی ارتباطات، می‌توانند اطلاعات را به سرعت و به طور مؤثر در سراسر شبکه منتشر کنند و مانع از ایجاد گسست‌های اطلاعاتی شوند. به عبارت دیگر این نقاط میتوان بر رفتار شبکه و پویایی آن، تغییرات شبکه در طول زمان و انتشار اطلاعات در شبکه تاثیر زیادی دارند. برای شناسایی این افراد، تحلیل شبکه اجتماعی ابزاری قدرتمند است که به کمک آن میتوان ساختار و روابط میان اعضای شبکه را به دقت بررسی کرد. برای شناسایی این افراد، در بسیاری از رویکرد ها از معیارهای مرسوم در شبکه های پیچیده استفاده میشود. مثلا از جمله شاخص‌های مهم در این تحلیل میتوان به مرکزیت بینابینی اشاره کرد که نشان دهنده توانایی یک فرد در ارتباط دادن بخش‌های مختلف شبکه به یکدیگر است، و همچنین مرکزیت نزدیکی که میزان دسترسی سریع یک فرد به سایر اعضای شبکه را اندازه‌گیری میکند. با توجه به این تحلیل‌ها، کسب و کار ها می‌توانند استراتژی‌های موثرتری برای مدیریت دانش، ارتقاء همکاری‌ها و بهبود فرآیندهای ارتباطی تدوین کنند. این رویکرد نه تنها به بهبود عملکرد فردی کمک میکند بلکه می‌تواند به افزایش نوآوری و تقویت روحیه تیمی در سازمان نیز منجر شود.
اهمیت شناسایی افراد کلیدی در شبکه های پیچیده در بسیاری از کسب و کارها مثلا در شبکه های اجتماعی و یا شبکه جاده های شهری و ترافیک، به ویژه در زمان‌های بحران و تغییرات بیشتر نمایان میشود. در چنین شرایطی، این افراد و یا گره ها می‌توانند به عنوان پل‌های ارتباطی عمل کرده و انتقال سریع اطلاعات و منابع را تسهیل کنند. همچنین، در فرآیندهای نوآوری و تغییر، افراد و گره های کلیدی می‌توانند به عنوان حامیان تغییر و محرک های اصلی برای پذیرش و اجرای ایده‌های جدید عمل کنند.
برای دستیابی به این هدف، تکنیک‌های متعددی مانند تحلیل شبکه‌های اجتماعی ، نقشه‌برداری شبکه‌های کسب و کار و مدل‌های ریاضی مورد استفاده قرار می‌گیرند. این تکنیک‌ها به کسب و کار ها کمک می‌کنند تا نه تنها افراد با بیشترین ارتباطات، بلکه کسانی که نقش‌های حیاتی در تسهیل ارتباطات بین بخش‌های مختلف ایفا می‌کنند را نیز شناسایی کنند. به علاوه، این تحلیل‌ها می‌توانند به شناسایی الگوهای پنهان در تعاملات و ارتباطات سازمانی کمک کنند، که می‌تواند منجر به بهبود فرآیندهای مدیریت دانش و ارتقاء کارآیی کسب و کار مرتبط با آن شبکه شود.
در نهایت، توجه به نقش افراد کلیدی در شبکه و استفاده از تحلیل‌های دقیق می‌تواند به ایجاد یک فرهنگ سازمانی قوی‌تر، ارتقاء همکاری‌های بین بخشی و بهبود توانمندی‌های رهبری کمک کند. این امر به سازمان‌ها امکان می‌دهد تا در مواجهه با چالش‌ها و فرصت‌ها، واکنش‌های سریع‌تر و مؤثرتری داشته باشند و در نهایت، به دستیابی به اهداف استراتژیک خود نزدیک‌تر شوند.
تحلیل و بررسی شبکه‌های پیچیده همواره مورد توجه پژوهشگران به خصوص در سال های اخیر بوده و در بسیاری از زمینه ها نظیر فیزیک، زیست‌شناسی، مخابرات، علوم کامپیوتر، و اپیدمیولوژی کاربردهای گسترده‌ای داشته است. شبکه‌های پیچیده در سال های اخیر به یکی از موضوعات اصلی تحقیقات و پژوهش ها تبدیل شده‌اند. امروزه در زندگی روزمره ، نمونه‌های زیادی از شبکه‌های پیچیده وجود دارد. به عنوان مثال، شبکه جهانی وب یک شبکه واقعی از صفحات وب که به هم از طریق لینک‌هایی متصلند است؛ اینترنت یک شبکه از کامپیوترها و سخت افزار ها و روترهایی است که با لینک های فیزیکی به هم متصل شده‌اند؛ شبکه‌های عصبی متشکل از میلیارد ها نورون‌های ساده در مغز هستند که به یک سیستم پیچیده تبدیل شده‌اند. این شبکه‌ها و موارد مشابه می‌توانند به صورت گراف‌هایی با سایز حجیم مدل‌سازی شوند که از گره‌هایی تشکیل شده‌اند که با یکدیگر تعامل دارند و تعامل بین گره‌ها توسط یال نشان داده میشود. نظریه گراف به عنوان یک ابزار قدرتمند در مطالعات مختلف شبکه‌های پیچیده به کار گرفته شده است. مدل‌سازی این سیستم‌ها به ما این امکان را می‌دهد تا آنها را بررسی کرده، توصیف ریاضیاتی آنها را درک کنیم، رفتارهای مختلف آنها را بشناسیم و آنها را پیش‌بینی کنیم. با توجه به این که در این مقاله میخواهیم به کاربرد روش های تحلیل شبکه پیچیده بپردازیم مفاهیم گراف بررسی نمی شود.
مدل‌سازی و تحلیل شبکه های پیچیده شامل ایجاد مدل‌هایی بر اساس روش های ارائه شده مرسوم است که ویژگی‌های شبکه‌های واقعی را تا حد امکان منعکس می‌کنند. در شبکه‌های واقعی، تعاملات محلی به خوبی قابل درک و مشاهده است، اما نتیجه کلی همه تعاملات به بررسی بیشتری برای درک نیاز دارد. برای درک بهتر ویژگی‌های شبکه ها، به یک چارچوب نیاز داریم که ساختار شبکه و عملکرد و تغییرات آن را در نظرداشته باشد. تحلیل شبکه‌های پیچیده مبتنی بر دانستن برخی مفاهیم بنیادی مانند اندازه‌گیری‌های شبکه، ساختار شبکه و تأثیر اجتماعی است.
شبکه‌های واقعی می‌توانند با استفاده از اندازه‌گیری معیار ها شبکه بررسی، تحلیل و مقایسه شوند. این اندازه‌گیری‌ها می‌توانند ویژگی‌های تعریف شده ای را بیان کرده و منبعی کارآمد برای بررسی شبکه‌ها باشند. مرکزیت، درجه بینابینی، ضریب خوشه‌بندی، میانگین طول مسیر و توزیع درجه از جمله معیارهایی هستند که می‌توانند ساختار و رفتار شبکه‌ها را تعریف کنند. یک مرور کلی در مورد این اندازه‌گیری‌ها خواهیم داشت.
امروزه در بسیاری از کسب و کارها با مطالعه ساختار شبکه، شناسایی گره‌های تأثیرگذار و تشخیص جوامع به مسائل مهمی تبدیل شده‌اند که اخیراً در پژوهش ها و مقالات علمی بسیار مورد توجه قرار گرفته‌اند. تشخیص گروه ها و جامعه ( community ) با استفاده از روش‌های مختلفی انجام میشود و هر روش ویژگی‌های خاص خود را دارد. مسئله ای که در این مقاله قصد مرور آن را داریم تعیین این است که کدام گره ها در شبکه از اهمیت بالایی برخوردار هستند؛ روش‌های مختلفی برای حل این چالش پیشنهاد شده‌اند. به طور کلی میتوان این روش‌ها را به گروه های مختلفی دسته بندی کرد. روش‌های ساختاری ، روش‌های مبتنی بر بردار ویژه که بر تعداد همسایگان و تأثیرات آنها مبتنی هستند، روش‌های تصمیم‌گیری چندمعیاری و روش‌های مبتنی بر یادگیری ماشین و شبکه های عصبی. هر رویکرد محدودیت‌های خود را دارد. برخی روش‌ها اطلاعات محلی شبکه را در نظر می‌گیرند یا اطلاعات جهانی را مدنظر قرار میدهند یا بر مهندسی ویژگی و انتخاب این ویژگی‌ها متکی هستند.
به طور کلی، شبکه های پیچیده به دلیل ساختار غیرخطی اجزا، بسیار چالش بر انگیز و پیچیده هستند. این شبکه‌ها می‌توانند به صورت پویا تغییر کنند و رفتارهای غیرقابل پیش‌بینی از خود نشان دهند. در نتیجه، مطالعه و تحلیل این شبکه‌ها به ما امکان می‌دهد تا به درک بهتری از سیستم های پیچیده‌ای که در زندگی واقعی با آن ها مواجه هستیم، دست یابیم و به بهبود عملکرد و پایداری آن ها کمک کنیم.
شبکه پیچیده به شبکه‌ای از گره ها و تعاملات بین گره ها اشاره دارد که رفتار کلی آنها از رفتارهای فردی این گره ها قابل تحلیل نیست و بنابراین ویژگی‌های جدیدی ظاهر میشود. این مفهوم شامل تمامی گره ها است که به نحوی به یکدیگر متصل هستند. به عبارت دیگر، شبکه پیچیده یک گراف است که دارای ویژگی‌های توپولوژیکی پیچیده‌ای است که در شبکه‌های ساده مانند شبکه‌های تصادفی دیده نمی‌شود، اما در شبکه‌هایی که نمایانگر سیستم‌های واقعی هستند، معمولاً یافت میشود.
تحلیل شبکه های پیچیده در سال های اخیر بسیار مورد توجه قرار گرفته است و به طور گسترده‌ای از یافته‌های تجربی شبکه‌های دنیای واقعی الهام گرفته است. این حوزه شامل بررسی و تحلیل ساختارها و الگوهای پیچیده‌ای است که در شبکه‌های واقعی مشاهده میشود. به عنوان نمونه، شبکه‌های اجتماعی مانند اینستاگرام یا توییتر، مجموعه‌ای از افراد یا گروه‌ها هستند که از طریق تعاملات اجتماعی به هم متصل شده‌اند. این شبکه‌ها به عنوان مجموعه‌ای از گره ها (افراد) و یال‌ها (ارتباطات) تعریف می‌شوند که یک جامعه پویا را توصیف می‌کنند.
در زمینه شبکه‌های پیچیده، معیار ها و اندازه گیری آن ها می‌توانند مهم‌ترین ویژگی‌های توپولوژیکی را نشان دهند. در طول فرایند مدل‌سازی، برخی اندازه‌گیری‌های خاص برای مقایسه مدل‌ها با شبکه‌های واقعی استفاده می‌شوند. به همین دلیل، این اندازه‌گیری‌ها منبعی اساسی در بسیاری از تحقیقات شبکه هستند.
ترتیب قرار گیری گره‌ها یک جنبه بسیار مهم در مطالعه شبکه‌های پیچیده و ساختار آنها محسوب میشود. این ساختار به مطالعات شبکه‌های واقعی اشاره دارد که تحت تحقیقات گسترده قرار گرفته‌اند. چندین مدل توسعه یافته‌اند که نحوه شکل گیری شبکه‌هایی مانند شبکه های جهان کوچک و بدون مقیاس در جهان واقعی را توضیح میدهند. مثلا واتس و اشتروگاتز یک مدل را معرفی کردند که نشان می‌دهد چگونه شبکه‌های جهان کوچک دارای دو ویژگی اساسی، یعنی ضریب خوشه‌بندی بالا و مسیر متوسط کم، در شبکه‌ها ظاهر می‌شوند. این ویژگی‌ها نیاز مندی برای درک پویایی شبکه‌ها. همچنین، باراباشی و آلبرت با ارائه یک مدل نشان دادند که چگونه شبکه‌هایی با توزیع power law به وجود می‌آیند.
مدل‌های تکاملی شرح میدهند که چگونه شبکه‌های پیچیده در طول زمان تکامل می‌یابند، نشان میدهند که چگونه رفتارهای شبکه‌ای توسعه می‌یابد و قوانین حاکم بر تکامل سیستم های فیزیکی را توضیح میدهند. به عنوان مثال، کار باراباَشی و آلبرت در زمینه شبکه‌هایی با توزیع power law از این دسته مدل ها است. مدل های استاتیک در نظر دارند تا توصیف ساختار شبکه‌ها و شرح ویژگی های مختلف شبکه های پیچیده را نشان دهند. به عنوان مثال، مدل واتس و اشتروگاتز توضیح می دهد که چگونه ضریب خوشه بندی بالا و مسیر متوسط کم در طول زمان در شبکه ها به وجود می آیند.
تأثیر اجتماعی یکی از مهم ترین مباحث در زمینه شبکه های پیچیده، به خصوص شبکه‌های اجتماعی است. نمی‌توان از این نوع شبکه ها بدون بحث درباره گسترش ایده و اطلاعات و تأثیر این اطلاعات بر جامعه مان سخن گفت. تعاملات بین عوامل شبکه های اجتماعی، وسیله ای است برای گسترش اطلاعات. بیشینه سازی تأثیر یکی از مسائل مرتبط با انتشار اطلاعات در شبکه است. یافتن گروهی از افراد برجسته در یک شبکه اجتماعی بسیار حیاتی است تا بتوانند تأثیر خود را به بزرگترین مقیاس گسترش دهند. به عبارت دیگر، استفاده این گره‌ها می‌تواند باعث گسترش سریع و مفید اطلاعات در کل شبکه شود. مسأله بیشینه‌سازی تأثیر اجتماعی، یکی از مسائل مهم در انتشار اطلاعات است که تأثیر قابل ملاحظه‌ای بر جامعه دارد. برخی از افراد و گره ها به بهبود فرایند گسترش اطلاعات و ایده‌های جدید از طریق شبکه‌های اجتماعی تمایل دارند و توانایی انجام این کار را دارند. همچنین تشخیص اپیدمی یکی از کاربردهای آن است. یا مثلا یک برند می‌تواند با استفاده از گروه محدودی از مشتریان خاص، اطلاعات خدمات جدید خود را به دیگران منتقل کند. انتشار اطلاعات در حوزه‌های سیاسی نیز از دیگر کاربردهای مهم این فرایند از طریق شبکه‌های اجتماعی است.
در زندگی روزمره، مثال‌های مختلفی از شبکه‌های پیچیده وجود دارد.اندازه‌گیری‌های مختلفی را برای شبکه‌های پیچیده پیشنهاد شده است،اما سه معیار اساسی وجود دارد که می‌توانند ویژگی‌های شبکه های پیچیده را توصیف کنند. این معیارها شامل فاصله میانگین بین گره ها، ضریب خوشه بندی و توزیع درجه هستند. توزیع درجه یک توزیع احتمالی است از درجه‌های هر گره در شبکه است. ضریب خوشه بندی، سطح transitivity محلی یا سراسری یک گراف را ارزیابی میکند. به عبارت دیگر، ما در سطح مثلث ها (رابطه‌های بین سه گره) را مطالعه میکنیم و بررسی میکنیم که آیا زمانی که بین گره‌های ab و bc لینک وجود دارد، بین گره‌های a و c نیز لینک وجود دارد یا خیر. مسافت میانگین بین گره‌ها، میانگین طول کوتاهترین مسیر بین هر دو رأس است .
در سال های قبل، بیشتر کارهای پژوهشی درباره شبکه های پیچیده بر روی ساختار توپولوژیکی شبکه و ویژگی‌های آن و همچنین پویایی آن تمرکز داشتند. هدف از مطالعه و تجزیه و تحلیل شبکه های پیچیده، نه تنها درک سیستم‌های واقعی مختلف است، بلکه دستیابی به کنترل موثر این شبکه ها نیز می باشد. در واقع، برای پیش‌بینی و کنترل چنین سیستم یا شبکه‌های پیچیده‌ای، نیازمند درکی از شرح ریاضی این سیستم‌ها هستیم. با توجه به پویایی شبکه های پیچیده، میتوان شبکه ها را به دو دسته تقسیم کرد، ایستا و موقتی. مطالعه شبکه های پیچیده با این دسته آغاز شده است که حضور گره‌ها و لینک‌ها با هیچ مفهوم زمانی ارتباطی ندارد. شبکه استاتیک شامل گره ها و یال هایی است که به تدریج در طول زمان تغییر می‌کنند یا به طور دائمی ثابت می‌مانند. در شبکه های موقتی ، مفهوم زمان نیز وجود دارد و وجود لینک ها و گره ها به زمان وابسته است، بنابراین همیشه تضمین شده نیست که وجود داشته باشند. این نوع شبکه‌ها واقع گرایانه تر هستند.
در علم شبکه، هر گره نقش خاص خود را ایفا میکند. گره ها همه به یک اندازه اهمیت ندارند و برخی از گره‌ها در شبکه نسبت به دیگران اهمیت بیشتری دارند به دلیل توانایی آنها در گسترش در سراسر شبکه. این گره‌ها به عنوان گره‌های تأثیرگذار شناخته می‌شوند. شناسایی گره‌های مهم ضروری است در حملات شبکه، شبکه‌های تروریستی و مطالعات مربوط به اپیدمی کاربرد دارد. به همین دلیل، روش‌هایی برای یافتن گره‌های مهم در شبکه‌های پیچیده، توجه زیادی به خود جلب کرده‌اند. چندین روش برای شناسایی این گره‌ها پیشنهاد شده است: مرکزیت درجه، مرکزیت بینایی، مرکزیت نزدیکی، PageRank، و روش های دیگر از جمله این روش ها هستند.
این روش‌های پیشنهادی به دسته های مختلف تقسیم می‌شوند. روش های ساختارمند، رویکردهای مبتنی بر بردار ویژگی و رویکردهای مبتنی بر یادگیری ماشین. در ادامه این دسته بندی را مورد بررسی قرار میدهیم.
در این بخش میخواهیم کارهای پیشین و پژوهش هایی که در این زمینه انجام شده است را بررسی کنیم و یک دسته بندی مروری بر روی روش های آن انجام دهیم. با مرور مقالات در این حوزه میبینیم به طور کلی سه دسته روش برای این مسئله وجود دارد.
روش های ساختاری
در روش‌های ساختاری برای شناسایی گره‌های مهم در شبکه‌های پیچیده، چندین رویکرد وجود دارد، رویکردهای محلی، نیمه محلی، سراسری و ترکیبی. رویکردهای محلی بر ارزیابی تأثیر گره‌ها در اطراف نزدیک آنها تمرکز دارند و معمولاً شامل معیارهایی مانند مرکزیت درجه هستند. این روش‌ها اهمیت یک گره را بر اساس اتصالات آن و همسایگانش به اطراف نشان میدهند و بیشتر بر داده های محلی تکیه دارند. به عنوان مثال، مرکزیت درجه به راحتی قابل محاسبه هستند و پیچیدگی محاسباتی کمی دارند. با این حال، غالباً ساختار کلی شبکه نادیده گرفته میشود و گره‌های مهم اغلب در بخش‌های بزرگ شبکه‌های چند مؤلفه‌ای شناسایی می‌شوند که کارایی این روش‌ها را در شبکه‌های بزرگ کاهش میکند. از سوی دیگر، رویکردهای مبتنی بر مسیرها اهمیت گره ها را با در نظر گرفتن مسیر ها یا جریان های درون شبکه ارزیابی می‌کنند. به عنوان مثال، مرکزیت نزدیکی و مرکزیت بینایی که بر اساس مسیرهای بین گره ها ارزیابی می‌شوند. این اندازه‌گیری‌ها بیان می کنند که چگونه گره‌ها در انتشار اطلاعات یا کنترل آنها در شبکه نقش دارند. با وجود کارایی آنها، به دلیل پیچیدگی محاسباتی بالای محاسبه مسیرهای کوتاه یا بینایی برای همه جفت گره‌ها در شبکه‌های بزرگ، استفاده از این روش ممکن است زمان‌بر باشند.
رویکردهای سراسری دیدگاه جامعی ارائه میدهند و با در نظر گرفتن ساختار کلی شبکه به دنبال شناسایی افراد مهم هستند. این روش ها شامل معیارهایی مانند مرکزیت هسته هستند که نقش ساختاری گره‌ها را در سراسر شبکه را نشان میدهند. به عنوان مثال، مرکزیت هسته، گره‌ها را بر اساس موقعیتشان در هسته شبکه مقایسه میکند.
رویکردهای نیمه محلی بین رویکرد های محلی و سراسری هستند، با استفاده از اطلاعات همسایه همسایه ها (همسایگان دوم) برای ارزیابی توانایی گره‌ای در انتشار اطلاعات راهکار ارائه میدهند. در این روش‌ها، معیار هایی مانند مرکزیت درجه وزن‌دار کاربرد دارد.
روش های مبتنی بر بردار ویژگی
در رویکردهای مبتنی بر مقادیر ویژه، تعداد همسایگان و تأثیر آنها در نظر گرفته میشود، پیج رنک و لیدررنک ، از مواردی است که در این روش ها کاربرد دارند. پیج رنک نوعی از مرکزیت ویژه‌بردار است که الگوریتم استفاده شده در موتور جستجوی گوگل است. این روش در ابتدا برای اندازه گیری شهرت یک صفحه وب معرفی شد. این الگوریتم فرض میکند که اهمیت یک صفحه توسط تعداد و کیفیت صفحات متصل به آن تعیین میشود. این الگوریتم در بسیاری از زمینه‌ها مورد استفاده قرار گرفته است و در شبکه‌های بدون مقیاس عملکرد خوبی دارد. با این حال، نسبت به اختلالات شبکه‌های تصادفی حساس بوده . الگوریتم HITS هر گره را در شبکه در نظر می‌گیرد و دو نقش را شامل میشود، اعتبار و مرجعیت. لیدر رنک در شبکه های پیچیده جهت دار به خوبی کار میکند اما به نظر می‌رسد که در شبکه‌های پیچیده بدون جهت، قابل اجرا نمی‌باشد.
روش های یادگیری ماشین.
در سال های اخیر تمرکز زیادی بر روی رویکردهای مبتنی بر یادگیری ماشین شده است. ون و همکارانش از ماشین بردار پشتیبان برای شناسایی قوانین نقشه برداری بین شاخص‌های پایه.این روش نظارت خوبی برای شناسایی گره‌های مهم در شبکه‌های بزرگ مقیاس فراهم میکند. ژائو و همکارانش مدلی برای شناسایی گره‌های حیاتی بر اساس هفت الگوریتم یادگیری ماشین Naïve Bayes، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، نزدیک‌ترین همسایه، رگرسیون لجستیک و پرسپترون چندلایه پیشنهاد دادند[3]. این مدل بر اساس مدل گراف در رتبه‌بندی گره‌ها عمل میکند.
رویکردهای مبتنی بر یادگیری ماشین به شدت به مهندسی ویژگی‌ها وابسته‌اند، و انتخاب این ویژگی‌ها می‌تواند عملکرد این رویکردها را تحت تأثیر قرار دهد. برای انجام این کار، ژائو و همکاران یک مدل یادگیری عمیق معرفی کردند [4] که مبتنی بر شبکه‌های گراف کانولوشن است. به طور همزمان ویژگی‌های گره و لینک بین آنها را مورد بررسی قرار می‌دهد.
به طور کلی مقالات و پژوهش های بسیاری در زمینه شناسایی افراد مهم در سال های اخیر منتشر شده است که در ادامه برخی از آن ها را بررسی میکنیم.
در مقاله[5]، یک معیار جدید به نام مرکزیت هسته ( coreness centrality ) پیشنهاد داده شده است تا تأثیر انتشار یک گره را با استفاده از شاخص‌های k-shell همسایگانش در یک شبکه تخمین زده شود. نتایج آزمایشات بر روی شبکه‌های واقعی و مصنوعی، در مقایسه با مدل گسترش اپیدمیک، نشان می‌دهد که روش پیشنهادی می‌تواند تأثیر گره ها را با دقت بیشتری اندازه گیری کرده و لیست رتبه‌بندی یکنواخت تری نسبت به دیگر روش‌های رتبه بندی ارائه دهد.
دستیابی به دقت بالا و جامعیت در ارزیابی اهمیت گره‌ها در شبکه‌های پیچیده چالش مهمی است. برای حل این مشکل، در مقاله [6] روشی مبتنی بر ماشین بردار پشتیبان پیشنهاد شده است. ابتدا، چهار شاخص که اهمیت گره‌ها را به صورت جامع و کلی منعکس می‌کنند، انتخاب شدند. سپس روش فرآیند تحلیل سلسله مراتبی برای به‌دست‌آوردن ارزیابی اهمیت گره‌ها به کار گرفته شده. بر این اساس، سه شاخص ساده با پیچیدگی محاسباتی پایین پیشنهاد شدند و از SVM برای یافتن قوانین نقشه‌برداری بین شاخص‌های ساده استفاده شد.
در سال های گذشته روش هایی که در زمینه یادگیری ماشین ارائه شده است تنها بر روی سرعت تمرکز داشتند و به همین علت از بهبود عملکرد کاسته‌اند. در مقاله[7]، یک مدل موثر یادگیری تقویتی عمیق ارائه شده است که نتایج برتری نسبت به الگوریتم‌های معمول بهینه‌سازی از خود نشان می‌دهد.این روش از طریق آموزش گسترده بر روی گراف‌های سنتی کوچک، این روش در کیفیت حل مسائل بهتر از روش‌های دیگرعمل میکند و اثبات تجربی نموده است که با افزایش اندازه شبکه، مقیاس‌پذیری خطی دارد، که نشان از برتری آن در حل این مسئله دارد.
در روش مقاله [6] رویکردی با ادغام ویژگی‌های ساختاری شبکه، ارائه شده است. این روش نه تنها ساختار محلی شبکه را در نظر می‌گیرد بلکه ساختار سراسری آن را نیز مدنظر دارد. تأثیر ساختار سراسری با نزدیکی آن به تمام گره‌های دیگر در شبکه اندازه‌گیری میشود، اما تأثیر ساختارهای محلی تنها مشارکت تأثیر گره‌های همسایه نزدیک را در نظر می‌گیرد. برای ارزیابی عملکرد این روش، از مدل مستعد-عفونت‌یافته-بهبودیافته (SIR) برای بررسی کارایی گسترش هر گره استفاده شده است. این روش با PageRank، (HITS)، K-shell، مرکزیت بردار ویژه، مرکزیت نزدیکی ، مرکزیت بینابینی و بر روی 8 شبکه واقعی مقایسه شده است. نتایج آزمایشات نشان می‌دهد که این روش توانایی رتبه‌بندی قابلیت انتشار گره‌ها و اهمیت آن هارا را به طور دقیق‌تر و کارآمد‌تر از سایر روش‌ها دارد.
یکی از چالش های این موضوع این است که به طور این حوزه فاقد یک چارچوب واحد برای حل کارآمد این مسئله است. در این مقاله [1] یک رویکرد یادگیری تقویتی عمیق به نام FINDER معرفی شده است که می‌تواند به صورت کامل بر روی شبکه‌های مصنوعی کوچک که توسط مدل‌های معرفی شده تولید شده‌اند، آموزش ببیند و سپس به طیف گسترده‌ای از سناریوهای کاربردی اعمال شود. آزمایش‌های گسترده تحت تنظیمات مختلف مسئله نشان میدهند که این روش به طور قابل توجهی در کیفیت حل مسائل از روش‌های موجود پیشی می گیرد. علاوه بر این، این روش چندین مرتبه سریع‌تر از روش‌های موجود برای شبکه‌های بزرگ عمل میکند.
در این مقاله، یک مرور کوتاه از شبکه‌های پیچیده ارائه شد. هدف در این مقاله مرور و آشنایی با رویکرد های ارائه شده برای شناسایی افراد و یا گره های مهم در شبکه بود. با توجه به این که این موضوع در سال های اخیر بسیار مورد توجه بوده است، این مرور تمامی کارهای موجود مرتبط با شناسایی گره‌های تأثیرگذار را پوشش نمی‌دهد. اگرچه شبکه‌های پویا بر تغییرات در ویژگی ها و ظهور خواص شبکه‌ها در طول زمان تکیه دارند، اکثر رویکردها بر شبکه‌های استاتیک اعمال می‌شوند تا شبکه‌های دینامیک. بنابراین، نیاز به کار بیشتر بر روی شبکه‌های دینامیک وجود دارد. از دیدگاه آینده، ما می‌توانیم رویکردهای موجود برای شناسایی گره‌های تأثیرگذار را به شبکه‌های دینامیک تطبیق دهیم. علاوه بر این، می‌توانیم روش‌های موجود را با هدف بهره‌برداری از مزایای هر دو روش و دستیابی به تعادل بین آنها، ترکیب کنیم. به عنوان مثال، می‌توانیم الگوریتم‌های یادگیری ماشین و یادگیری عمیق را با سایر روش‌ها ترکیب کنیم. در این مقاله ابتدا یک بررسی اجمالی بر روی شبکه‌های پیچیده انجام دادیم. شبکه‌های پیچیده به عنوان یک زمینه تحقیقاتی پویا و چندرشته‌ای، طیف گسترده‌ای از مدل‌ها و روش‌ها را برای تحلیل و بررسی ساختار و تعاملات در شبکه های مختلف فراهم می‌آورد. در این مقاله، ما به بررسی ساختارهای مختلف شبکه‌ها و اندازه‌گیری‌های مرتبط با آنها پرداخته‌ایم. همچنین، تأثیر اجتماعی درون شبکه‌ها و نحوه انتشار اطلاعات و ایده‌ها در این شبکه‌ها مورد بررسی قرار گرفته است. شبکه‌ها در طول سال‌ها از ساختارهای ساده مدل‌های پیچیده تر تکامل یافته‌اند و هر مدل دارای مزایا و معایب خاص خود است.به عنوان مثال، شبکه‌های کوچک‌جهان و مقیاس‌آزاد هر کدام ویژگی‌های منحصر به فردی دارند که آنها را برای تحلیل سیستم‌های واقعی مناسب می‌سازد. شناسایی گره‌های تأثیرگذار در شبکه‌های پیچیده یکی از مسائل کلیدی است که توجه بسیاری از محققان را به خود جلب کرده است. این گره‌ها نقش مهمی در انتشار اطلاعات و کنترل شبکه‌ها ایفا می‌کنند. در این مقاله، روش‌های مختلف برای شناسایی این گره‌ها مورد بررسی قرار گرفته‌اند. از جمله این روش‌ها میتوان به PageRank، HITS، K-shell، و مرکزیت بینابینی اشاره کرد. هر یک از این روش‌ها دارای نقاط قوت و ضعف خاص خود هستند که در این مقاله به آن ها اشاره شده است.
با توجه به پیشرفت های اخیر در حوزه یادگیری ماشین و یادگیری عمیق، میتوان این روش‌ها را با روش‌های سنتی ترکیب کرده و به نتایج بهتری دست یافت. همچنین، توجه به شبکه‌های دینامیک و تطبیق رویکردهای موجود برای تحلیل این شبکه‌ها از دیگر زمینه‌های مهم پژوهشی است. شبکه‌های دینامیک با توجه به تغییرات زمانی و ظهور ویژگی‌های جدید، نیازمند روش‌های جدید و بهینه‌تری برای تحلیل و بررسی هستند.
به طور کلی، این مقاله به عنوان یک منبع مقدماتی برای پژوهشگران مبتدی در این حوزه می‌تواند مورد استفاده قرار گیرد و آنها را در جهت‌یابی پژوهش‌های آتی خود یاری کند. با ترکیب روش‌های موجود و بهره‌گیری از تکنیک‌های جدید، میتوان به درک بهتری از شبکه‌های پیچیده و شناسایی گره‌های تأثیرگذار دست یافت.
[1]. Fan, C., Zeng, L., Sun, Y. et al. Finding key players in complex networks through deep reinforcement learning. Nat Mach Intell 2, 317–324 (2020). https://doi.org/10.1038/s42256-020-0177-2
[3]. Wen X, Tu C, Wu M, Jiang X (2018) Fast ranking nodes importance in complex networks based on LS-SVM method. Phys Stat Mech Appl 506:11–23. https:// doi. org/ 10. 1016/j. physa. 2018. 03. 076
[4]. Gouheng Zhao et al, InfGCN: Identifying influential nodes in complex networks with graph convolutional networks
[5]. Joonhyun Bae, Sangwook Kim, Identifying and ranking influential spreaders in complex networks by neighborhood coreness, Physica A: Statistical Mechanics and its Applications, https://doi.org/10.1016/j.physa.2013.10.047.
[6]. https://www.sciencedirect.com/science/article/abs/pii/S0378437118303947
[7]. https://arxiv.org/abs/2309.07153
[8]. Mukhtar, M., Abal Abas, Z., Baharuddin, A.S. et al. Integrating local and global information to identify influential nodes in complex networks. Sci Rep 13, 11411 (2023). https://doi.org/10.1038/s41598-023-37570-7
[9]. Malliaros, F., Rossi, ME. & Vazirgiannis, M. Locating influential nodes in complex networks. Sci Rep 6, 19307 (2016). https://doi.org/10.1038/srep19307
[10]. Qiuyan Shang, Yong Deng, Kang Hao Cheong, Identifying influential nodes in complex networks: Effective distance gravity model, https://doi.org/10.1016/j.ins.2021.01.053.
