منشا کاهش صحت تشخیص جوامع در دو دلیل خلاصه شده است. 1- استفاده از منابع اطلاعاتی محدود در ایجاد شبکه 2 -استفاده از راهکارهایی که به ذات محدودیتها و نواقصی در جهت تشخیص جوامع خواهند داشت. تحقیقات بسیاری برای هر چه صحیح تر بودن روشهای تشخیص به کار رفته است که اشاره به آنها خواهیم داشت. روشهایی مبنی بر: استفاده از منابع مختلف برای شبکه های اجتماعی، حداکثر کاهش ممکن خطاها و نواقص متدهای استخراج، استفاده از ترکیب روشهای استخراج جوامع و انتخاب چند مورد از روشهای ذکر شده و ارائه ترکیب مناسبی برای آنها.
استفاده از منابع مختلف برای شبکه های اجتماعی:
در مطالعات شبکه های اجتماعی این مورد به چشم می خورد.استفاده از منابع داده ای مختلف جوامع مجازی را حقیقی تر نمایش خواهند داد چرا که افراد ویژگیهای یکسانی ندارند و مقادیر متفاوتی را برای صفات خود دارا خواهند بود هم چنین تقریبا هیچگاه تنها یک نوع ارتباط با یکدیگر نخواهند داشت،مثلا در ساده ترین حالت دو نویسنده همکار احتمالا موضوعات تخصصی مرتبط با یکدیگر نیز خواهند داشت و یا به طریقی همکاران آنها نیز با یکدیگر ارتباط علمی دارند و یا خواهند داشت ؛ هم چنین مقالاتی که به این مقاله ارجاع داده اند از نظر محتوا شباهتی با این موضوع و در نتیجه با نویسندگان آن خواهند داشت.
روشهای تحلیلی موردی از این قائده استفاده نموده اند،در مورد مطالعه جوامع نویسندگان علمی استفاده از اطلاعات موجود در مقاله به همراه استفاده از مقالات ارجاع داده شده به مقاله مذکور مورد استفاده قرار گرفته است و نتایج حاصل از آن حاکی از بالاتر رفتن دقت تشخیص جوامع بوده است.
حداکثر کاهش ممکن خطاها و نواقص متدهای استخراج :
پس از اینکه روش انتخاب شده برای استخراج جوامع انتخاب شد،بهتر است برای رفع محدودیت های آن نیزاقدامی صورت گیرد.توجه زیاد محققین به این موضوع باعث شده تا پیشرفتهای زیادی الگوریتم های اولیه استخراج جوامع داشته باشند،استفاده از شبکه های جهت دار،وزن دار و هم پوشا از جمله این پیشرفت ها می باشد.در این قسمت به بررسی محدودیت ها و نحوه کاهش اثرات جانبی روشهای ذکر شده در قسمت دوم مقاله پرداخته می شود.
استفاده از پارامترهای کیفی ماژولاریتی: این پارامتر با وجود محبوبیت زیاد مخصوصا در شبکه هایی که حقیقت زمینه ای موجود نباشد محدودیت هایی نیز دارد.مثلا در هر شرایطی بیشترین مقدار ماژولاریتی بیانگر بهترین تقسیم شبکه نخواهد بود.
استفاده از روشهای خوشه بندی: الگوریتم های این دسته از قبیل k-means نیز وابسته هستند به مقادیر اولیه و چنانچه این پارامترها صحیح انتخاب نشوند روی نتایج نهایی تاثیر می گذارند، حتی اجرای الگوریتم خوشه بندی برای نقاط اولیه اگر چندین مرتبه هم اجرا شود مطمئن نخواهیم بود که بهترین نقاط اولیه را انتخاب نموده ایم. برای برطرف نمودن نقاط ضعف الگوریتم k-means روشی ارائه شده است که نقاط اولیه بر مبنای محاسبات قبلی انتخاب می شوند. درواقع فرض بر این است که گره های راهنما می توانند به عنوان نقاط اولیه انتخاب شوند،برای جلوگیری از انتخاب ناصحیح این گره های راهنما اشتراک جوامع اطراف هر راهنما محاسبه خواهد شد و بهترین گره ها و جوامع حاصله استخراج می شود.پس از ارزیابی مشاهده شده است که میزان صحت تشخیص توسط این الگوریتم بهبود یافته است.
https://www.researchgate.net/profile/Mehrafarin_Adami2/publication/257293032_ajtmay_hay_shbkh_dr_jwam_tshkhys_bray_anha_trkyb_nhwh_w_mwthr_waml_shnasayy/links/54172a290cf2218008bed807/ajtmay-hay-shbkh-dr-jwam-tshkhys-bray-anha-trkyb-nhwh-w-mwthr-waml-shnasayy.pdf?origin=publication_detail