ارائه راهکار مبتنی بر تعبیه سازی عمیق در خوشه بندی گراف های غیرقطعی

با افزایش روزافزون داده های گرافی، عدم قطعیت موجود در این داده ها بنا به دلایلی همچون خطا در روشهای اندازه گیری و منابع اطلاعاتی مبهم امری انکارناپذیر است که این امر منجر به ظهور گراف های غیرقطعی شده است. خوشه بندی یکی از مهم ترین عملیات کاوش گراف های غیرقطعی است که هدف آن گروه بندی گره های مشابه در خوشه هایی با اتصالات داخلی متراکم است. ما در این مقاله قصد داریم رویکرد جدیدی را در خوشه بندی گراف های غیرقطعی بر اساس یادگیری عمیق ارائه کنیم. بدین منظور ابتدا ماتریس همبستگی احتمالی گراف را بر اساس ترکیبی از اطلاعات مجاورت مرتبه اول و دوم گره ها به دست می آوریم. سپس از خود رمزگذار عمیق جهت تعبیه سازی گراف بر روی ماتریس همبستگی حاصل بهره می بریم، طوریکه ضمن حفظ اطلاعات ساختاری گراف در فضای برداری با ابعاد کم، بازنمایی گره ها در راستای دستیابی به خوشه بندی بهینه ای از آنها باشند. در انتها بردارهای تعبیه گره ها را با استفاده از الگوریتم های خوشه بندی گرافهای قطعی پارتیشن بندی می کنیم. روش پیشنهادی با استفاده از چهار مجموعه داده واقعی از شبکه تعاملی پروتئین ها شامل Collins Krogan_ extend Krogan _ coreو Gavin و طبق معیارهای Precision Specificity و Accuracy مورد ارزیابی قرار گرفت. مطابق نتایج حاصل، روش پیشنهادی حدود ۱۸ درصد کارایی بیشتری نسبت به الگوریتم های اخیر خوشه بندی گرافهای غیرقطعی داشته است.