عنوان پایان‌نامه
تشخیص انجمن های هم پوشان در شبکه های اجتماعی با استفاده از روشهای احتمالی
- رشته تحصیلی
- علوم تصمیم و مهندسی دانش
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده علوم و فنون نوین شماره ثبت: 587;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79339;کتابخانه دانشکده علوم و فنون نوین شماره ثبت: 587;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79339
- تاریخ دفاع
- ۰۴ مهر ۱۳۹۵
- دانشجو
- مهدی حاجی آبادی
- استاد راهنما
- هادی زارع
- چکیده
- تشخیص انجمن یکی از کارهای مهم و اساسی در شبکه‌های اجتماعی محسوب می‌شود. ساختارهای انجمنی می‌تواند یک دید کلی از روابط پنهان بین اعضای یک شبکه را برای ما آشکار سازد که این رویکرد در بسیاری از حوزه‌های مبتنی بر دانش نظیر بیوانفورماتیک، شبکه‌های کامپیوتری، تجارت الکترونیک و علوم جنایی مورد کاربرد قرار گرفته است. رویکردهای متفاوتی برای تشخیص انجمن در کارهای قبلی پیشنهاد شده‌اند که بیشتر بر اساس ساختار شبکه و بر اساس یک فرض مشخص در نظر گرفته شده‌اند. در این پایان‌نامه براساس یک رویکرد احتمالاتی به تشخیص انجمن پرداخته‌ایم. براساس اینکه اعضای یک شبکه اجتماعی دارای ویژگی هستند یا خیر، دو روش تشخیص انجمن مورد طراحی قرار گرفته شده است. در رویکرد اول پیشنهادی، یک روش نوین برای تشخیص انجمن در هنگامی که شبکه دارای ویژگی گره‌ها نمی‌باشد، پیشنهاد شده است. در این روش فرض خاصی در مورد ساختار هم‌پوشانی انجمن‌های شبکه نشده است. در حقیقت یک رویکرد تجمیعی بر اساس اینکه یک انجمن از بخشهای همپوشان و ناهم‌پوشان تشکیل شده است، مورد پیشنهاد قرار گرفته است. برای ارزیابی رویکرد پیشنهادی از شبکه‌های مصنوعی شبیه‌سازی شده و شبکه‌های واقعی بهره گرفته شده است و از مجموعه داده‌های استاندارد استفاده شده است. نتایج حاصل از معیارهای ارزیابی استاندارد بر روی شبکه‌های واقعی و شبیه‌سازی شده نشان دهنده برتری محسوس کارآیی الگوریتم پیشنهادی اول نسبت به الگوریتم‌های مطرح و شناخته شده دیگر در حوزه تشخیص انجمن می‌باشد. هنگامی که شبکه اجتماعی دارای گره‌هایی که اطلاعات و ویژگی‌هایی از آن موجود باشد، یک رویکرد نوین براساس مدل گرافی احتمالاتی طراحی و پیشنهاد شده است. برای ساخت مدل گرافی احتمالاتی، از یک نمایش و رابطه جدید بین عناصر شبکه استفاده و براساس آن توزیع احتمالاتی مشخص شده است. الگوریتم پیشنهادی بر روی شبکه‌های استاندارد و شبیه‌سازی شده مورد ارزیابی قرار داده شده و نتایج حاکی از برتری این روش پیشنهادی نسبت به روشهای مشابه می‌باشد.
- Abstract
- Community detection is a task of fundamental importance in social network analysis. The structure of communities will lead us to discover the hidden interactions among the network members that can be used in many knowledge based domains such as bioinformatics, e-commerce and forensic science. There exist many works on community detection based on connectivity structure, they suffer by considering either the overlapping or non-overlapping communities. In this thesis, we propose two novel probabilistic approaches to reveal communities in networks. The first approach is developed based on the connectivity structures of the network. The second approach detects communities via exploiting the node's metadata and the structure of network. In the first proposed approach, we present a novel method for general community detection networks through an integrated framework to extract the overlapping and non-overlapping community structures in the networks. The evaluation of the proposed method are investigated through the simulation experiments and several real network data-sets. The experimental results show that the proposed method outperforms the other algorithms based on the well-known evaluation criteria. We propose method based on the probabilistic graphical models using the features of nodes along with the structure of network to detect communities. We utilize the fundamental elements of networks in order to construct a directed graphical model. The evaluation of the second method are investigated through the stochastic simulation and standard real networks. The experimental results reveal that the proposed method outperforms the other algorithms based on the evaluation criteria. keywords: Community detection, MetaData, connectivity structures, Graphical Models
