|
Title
|
بهبود یک روش مبتنی بر پخش برچسب برای یافتن جوامع در شبکه های چندلایه با رویکرد یادگیری عمیق
|
|
Type of Research
|
Thesis
|
|
Keywords
|
حداکثرسازی نفوذ، نفوذ اجتماعی، شبکه های چندلایه، شبکه های اجتماعی چند رابطه ای، شبکه های عصبی، تشخیص جامعه
|
|
Abstract
|
با توسعه ی روزافزون اینترنت، ارتباطات بین افراد نسبت به گذشته بیشتر می شود و به دلیل افزایش تعاملات بین افراد و وجود ابزارهای مختلف ارتباطی، این روابط پیچیده تر شده و همه روزه حجم انبوهی از این اطلاعات تولید می شود. در این میان شبکه های اجتماعی، به دلیل وجود انواع مختلف محیط ها و نرم افزارهای اجتماعی و دسترسی آسان به آنها، همه روزه در حال توسعه و گسترش هستند. همچنین به دلیل حجم بالای اطلاعات و محتوای تولید شده در شبکه های اجتماعی و مسئله ی مدیریت و توانایی دسته بندی اطلاعات به شکلی که بتوان در راستای تبلیغات، معرفی محصولات جدید و یا کاربردهای فراوان دیگر به کار گرفت، مطرح می گردد. همانطور که قبلاً اشاره شد یکی از روش های کشف اطلاعات و مدیریت داده ها در شبکه های پیچیده، کشف ساختار و جوامع در آنها است. کشف جوامع بستر مناسبی برای تحلیل دقیق تر و تصمیم گیری بهتر بر روی گروهی از موجودیت ها را در شبکه های امروزی فراهم می کند. تحلیل و تفسیر جوامع، بستگی به نوع شبکه دارد. در شبکه های اجتماعی، با تحلیل انجمن های موجود می توان روابط افراد را تحلیل کرد. تحلیل شبکه های پروتئین-پروتئین می تواند عملکرد پروتئین های جدید را کشف کند. همچنین در شبکه های خرید آنلاین و سیستم های توصیه گر تحلیل الگوی خرید مشتریان کاربردهای فراوانی می تواند داشته باشد. شناسایی جوامع و انجمن ها در شبکه های اجتماعی به دلیل اینکه میتواند به عنوان نمونه های کوچک شده از دنیای واقعی باشد، در تحلیل سیستم های پیچیده در دنیای واقعی کاربرد فراوانی دارد. در واقع با کشف ویژگی های مختلف افراد در یک جامعه، می توان دید بازتری نسبت به سایر افراد داشت. کاملاً واضح است که قدم اول برای دستیابی به چنین اطلاعاتی، اتخاذ روش ها و ابزارهای مناسب وکارا برای کشف اطلاعات است. با در نظر گرفتن اینکه حجم اطلاعات به صورت مداوم افزایش می یابد و جامعه امروزی نیازمند پاسخ سریع در پردازش داده ها است، باید الگوریتم هایی با پیچیدگی زمانی کمتر، دقت تشخیص قابل قبول، پایدار و بدون رفتار تصادفی به کار گرفت.
|
|
Researchers
|
(Student)، Asgarali Bouyer (Primary Advisor)، Jalil Ghavidel Neycharan (Advisor)
|