ترکیب شبکه‌های پیچیده و داده کاوی

قدرت فزاینده فناوری رایانه نیاز به استخراج اطلاعات معنی‌دار از مجموعه داده‌هایی با رشد روزافزون را از بین نمی‌برد و در واقع معمولاً پیچیدگی این وظیفه را تشدید می‌کند. برای مقابله با این مشکل، دو روش، در زمان‌های متفاوت، پدید آمده است که امروزه معمولاً در جامعه علمی استفاده می‌شود: داده کاوی و نظریه شبکه پیچیده. تجزیه و تحلیل شبکه پیچیده و داده کاوی اهداف کلی یکسانی دارند، یعنی استخراج اطلاعات از سیستم‌های پیچیده تا نهایتاً یک بازنمایی کمّی فشرده جدید ایجاد می‌کنند، اما آنها اغلب مشکلات مشابه را نیز برطرف می‌کنند. در مواجهه با این مسئله، تعداد کمی از محققین به این نتیجه می‌رسند که به هر دو روش متوسل شوند. ممکن است محققان نتیجه بگیرند که این دو زمینه یا تا حد زیادی زائد یا کاملاً متضاد هستند. نقطه شروع این بررسی این که باید تفاوت‌های احتمالی و نه مفهومی درنظر گرفته شوند، و اینکه این دو زمینه در واقع به صورت هم‌افزایی استفاده شود می‌توانند سودمند باشند. ابتدا یک مرور کلی از هر دو زمینه ارائه شده است، برخی از مفاهیم اساسی که به تصویر کشیده شده‌اند. زمینه‌های گوناگونی که نظریه شبکه پیچیده و داده کاوی در آنها بوده است سپس به صورت هم افزایی استفاده شده است. زمینه‌هایی که در آن ادغام مناسب معیارهای شبکه پیچیده است می‌تواند منجر به بهبود نرخ طبقه‌بندی با توجه به الگوریتم های داده کاوی کلاسیک شود و برعکس، زمینه‌هایی که در آن داده کاوی می‌تواند برای مقابله با مسائل مهم در شبکه‌های پیچیده استفاده شود کاربردهای تئوری نشان داده شده است. در نهایت، راه هایی برای دستیابی به یکپارچگی بیشتر بین شبکه‌های پیچیده و داده کاوی، و خطوط باز تحقیق مورد بحث قرار می‌گیرد.