Algoritmo genético basado en coeficiente de agrupamiento para la detección de comunidades en red de docentes de la Universidad Industrial de Santander

Autores/as

DOI:

https://doi.org/10.26507/rei.v17n33.1187

Palabras clave:

Algoritmo genético, detección de comunidades, coeficiente de clustering.

Resumen

Alrededor del mundo las academias son el centro de concentración y difusión de conocimiento más importante para la sociedad, mediante sus programas de formación profesional, se entrega constantemente a la sociedad motores de conocimiento de alta calidad, los cuales por medio de alianzas bien establecidas a través de la divulgación científica se logra dar solución en distintas formas a las diversas necesidades e inquietudes que abruman en la cotidianidad. En el presente documento se busca dar solución al problema de detección de comunidades (CD) por medio de un algoritmo genético basado en coeficiente de clustering (CC-GA) a una red de colaboración de la Universidad Industrial de Santander conformada por docentes que han dirigido y codirigido trabajos de grado al interior del campus en programas diferentes a los que ellos se vinculan originalmente. Con ello se podrá establecer la condición de colaboración interdisciplinaria de la red, así como identificar los docentes más participativos en estas modalidades, entre otras características representativas de la red. 

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

David Nicolas Camelo García, Universidad Industrial de Santander

Ingeniero Industrial de la Universidad Industrial de Santander, Colombia (2021). Sus intereses de investigación incluyen: Big Data; Machine Learning; Supply Chain Management.

Paola Carolina Suárez Suárez, Universidad Industrial de Santander

Ingeniera Industrial de la Universidad Industrial de Santander, Colombia (2021). Sus intereses de investigación incluyen: Big Data; Machine Learning; Innovación en industrial 4.0.

Henry Lamos Díaz, Universidad Industrial de Santander

Profesor Titular, imparte asignaturas en área de Estadística y Teoría de Optimización en la Escuela de Estudios Industriales y Empresariales (EEIE) de la Universidad Industrial de Santander (UIS). Tiene el título de Matemático de la Universidad de la Amistad de los Pueblos de Rusia, Magíster en Matemáticas y en Informática y Ph.D. en Física y Matemáticas. Su línea de investigación es en logística humanitaria y ciencia de datos.

David Esteban Puentes Garzón, Universidad Industrial de Santander

Ingeniero Industrial (2016), Magíster en Ingeniería Industrial (2019) y estudiante de doctorado en ciencias de la computación (2021) en la Universidad Industrial de Santander. Sus intereses de investigación incluyen: analítica de datos; aprendizaje automático; inteligencia artificial y optimización.

Referencias bibliográficas

[1] D. Easley, “Volumen 26 del TCE número 5 Portada y reverso | Teoría econométrica | Cambridge Core,” 2010. [Online]. Available: https://www.cambridge.org/core/journals/econometric-theory/article/ect-volume-26-issue-5-cover-and-back-matter/FA59F3056051664CB2969F82CC6CE0C8. [Accessed: 21-Nov-2019].
[2] Q. Wang, W. Li, X. Zhang, and S. Lu, “Academic Paper Recommendation Based on Community Detection in Citation-Collaboration Networks,” APWeb, vol. 2, pp. 56–67, 2016.
[3] Y. Yang, P. G. Sun, X. Hu, and Z. J. Li, “Closed walks for community detection,” Phys. A Stat. Mech. its Appl., vol. 397, no. 37, pp. 129–143, 2014.
[4] P. Bedi and C. Sharma, “Community detection in social networks,” Wiley Interdiscip. Rev. Data Min. Knowl. Discov., vol. 6, no. 3, pp. 115–135, 2016.
[5] S. Kaur, S. Singh, S. Kaushal, and A. K. Sangaiah, “Comparative analysis of quality metrics for community detection in social networks using genetic algorithm,” Neural Netw. World, vol. 26, no. 6, pp. 625–641, 2016.
[6] N. Girdhar and K. K. Bharadwaj, “Community Detection in Signed Social Networks Using Multiobjective Genetic Algorithm,” J. Assoc. Inf. Sci. Technol., vol. 70, no. 8, pp. 788–804, 2019.
[7] M. Girvan and M. E. J. Newman, “Community structure in social and biological networks,” Proc. Natl. Acad. Sci. U. S. A., vol. 99, no. 12, pp. 7821–7826, 2002.
[8] Z. Jiang, J. Liu, and S. Wang, “Traveling salesman problems with PageRank Distance on complex networks reveal community structure,” Phys. A Stat. Mech. its Appl., vol. 463, pp. 293–302, 2016.
[9] M. Arasteh and S. Alizadeh, “A fast divisive community detection algorithm based on edge degree betweenness centrality,” Appl. Intell., vol. 49, no. 2, pp. 689–702, 2019.
[10] M. A. Javed, M. S. Younis, S. Latif, J. Qadir, and A. Baig, “Community detection in networks: A multidisciplinary review,” J. Netw. Comput. Appl., vol. 108, no. September 2017, pp. 87–111, 2018.
[11] B. A. Attea, W. A. Hariz, and M. F. Abdulhalim, “Improving the performance of evolutionary multi-objective co-clustering models for community detection in complex social networks,” Swarm Evol. Comput., vol. 26, pp. 137–156, 2016.
[12] F. Folino and C. Pizzuti, “An evolutionary multiobjective approach for community discovery in dynamic networks,” IEEE Trans. Knowl. Data Eng., vol. 26, no. 8, pp. 1838–1852, 2014.
[13] K. R. Žalik and B. Žalik, “Multi-objective evolutionary algorithm using problem-specific genetic operators for community detection in networks,” Neural Comput. Appl., vol. 30, no. 9, pp. 2907–2920, 2018.
[14] S. Mishra, C. Hota, L. Kumar, and A. Nayak, “An Evolutionary GA-Based Approach for Community Detection in IoT,” IEEE Access, vol. 7, pp. 100512–100534, 2019.
[15] M. E. J. Newman, “The structure of scientific collaboration networks,” Struct. Dyn. Networks, vol. 9781400841, pp. 221–226, 2001.
[16] M. C. V. Nascimento, “Community detection in networks via a spectral heuristic based on the clustering coefficient,” Discret. Appl. Math., vol. 176, pp. 89–99, 2014.
[17] X. Deng, J. Zhai, T. Lv, and L. Yin, “Efficient Vector Influence Clustering Coefficient Based Directed Community Detection Method,” vol. 5, 2017.
[18] J. Kim, J. G. Lee, and S. Lim, “Differential flattening: A novel framework for community detection in multi-layer graphs,” ACM Trans. Intell. Syst. Technol., vol. 8, no. 2, 2016.
[19] X. M. Li, G. Xu, and M. Tang, “Community detection for multi-layer social network based on local random walk,” J. Vis. Commun. Image Represent., vol. 57, pp. 91–98, 2018.
[20] A. Said, R. A. Abbasi, O. Maqbool, A. Daud, and N. R. Aljohani, “CC-GA: A clustering coefficient based genetic algorithm for detecting communities in social networks,” Appl. Soft Comput. J., vol. 63, pp. 59–70, 2018.
[21] M. E. J. Newman, “Modularity and community structure in networks,” vol. 103, no. 23, pp. 8577–8582, 2006.

Descargas

Publicado

2021-12-13

Cómo citar

Camelo García, D. N., Suárez Suárez, P. C., Lamos Díaz, H., & Puentes Garzón, D. E. (2021). Algoritmo genético basado en coeficiente de agrupamiento para la detección de comunidades en red de docentes de la Universidad Industrial de Santander. Revista Educación En Ingeniería, 17(33), 3–12. https://doi.org/10.26507/rei.v17n33.1187