|
Title
|
بهبود روش مبتنی بر انتشار برچسب برای یافتن جوامع همپوشان در شبکه های اجتماعی براساس پیمایش عمقی محلی و ضریب اهمیت گره
|
|
Type of Research
|
Thesis
|
|
Keywords
|
تشخیص جوامع، انتشار برچسب، گره مهم، پیمایش عمقی محلی، جوامع همپوشان، شبکه های اجتماعی
|
|
Abstract
|
تشخیص جوامع در شبکه، کاربردهای زیادی مانند بهبود موتورهای جستجو، تصویرسازی گراف، تحقق ساختار شبکه، تشخیص گروه های دارای علایق خاص، اطلاع رسانی و پخش خبر، خریدو فروش اینترنتی و غیره دارد. از حوزه های مختلف کاربرد که در آن ها الگوریتم های تشخیص جامعه برای ارائه اهداف مختلف استفاده شده اند، می توان به این موارد اشاره کرد: در شبکه های ارتباطی برای تشخیص ساختار جوامع شبکه اینترنت، یافتن صفحه وب مربوطه، بازیابی وب سایت های مربوطه، استخراج بانک های اطلاعاتی اسناد غیرمجاز و بازیابی اسناد از موتورهای جستجو استفاده می شود. در تجارت الکترونیکی برای بهبود چیدمان فروشگاه، تولید جوامع مشتری، توصیه های شخصی سازی شده استفاده می شود. جوامع مجزای مشتری های وب که علایق مشابهی دارند و از لحاظ جغرافیایی به یکدیگر نزدیک هستند، ممکن است کیفیت خدمات ارائه شده به آن ها را بهبود ببخشد، به این دلیل که هر خوشه از مشتریان می تواند توسط کارگزار اختصاصی مورد خدمت قرار بگیرد. در موارد علمی و آکادمیک برای نظارت بر پیشرفت دانش آموزان به منظور افزایش عملکرد تصمیم گیری برنامه ریزان موسسات علمی، آشکار سازی ارتباط ضمنی بین مقالات و شناسایی نویسندگان بسیار استناد شده استفاده می شود. در سیستم های پزشکی برای خوشه بندی بافت های غدد لنفاوی به منظور تشخیص سرطان پستان، پیشگیری از بیماری، تشخیص پزشکی و نمایش سریع تعاملات پروتئین اندازه کوچک و متوسط استفاده می شود. در شبکه های اجتماعی برای شناسایی جامعه ی افرادی که انگیزه های سیاسی یا تروریستی دارند یا برای شناسایی و جلوگیری از کرم ها و عوامل مخرب شبکه اجتماعی استفاده می شود. با توجه به موارد فوق، اهمیت تشخیص جوامع در شبکه های پیچیده و اجتماعی بطور روزافزونی بالا رفته و از آنجایی که بیشتر روش های پیشین در شبکه های عظیم امروزی کارایی و دقت مطلوبی نداشته و به زمان زیادی برای اجرا نیاز دارند، نیاز به تحقیق در حوزه ی تشخیص جوامع در شبکه های عظیم امروزی با لحاظ دقت بالا و زمان مورد نیاز کم برای اجرا حائز اهمیت می باشد.
|
|
Researchers
|
(Student)، Asgarali Bouyer (Primary Advisor)، Esmaeil Nourani (Advisor)
|