عنوان پایان‌نامه
پیشبینی علامت در شبکه های اجتماعی با یال های مثبت و منفی
- رشته تحصیلی
- مهندسی کامپیوتر- هوش مصنوعی - رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3056;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77877;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3056;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77877
- تاریخ دفاع
- ۲۴ شهریور ۱۳۹۵
- دانشجو
- محراب نوروزی طلب
- استاد راهنما
- بابک نجاراعرابی, رشاد حسینی
- چکیده
- شبکه‌های اجتماعی با یال‌های مثبت و منفی در بسیاری از کاربرد‌ها یافت می‌شوند. علامت یک یال در این شبکه‌ها، نمایش‌دهنده نگرش مثبت یا منفی کاربری به کاربر دیگر است. یکی از مسائل اصلی در چنین شبکه‌هایی، پیشبینی علامت یک یال است. به همین منظور، تحقیقات فراوانی بر روی مدل‌سازی رابطه میان علامت یک یال و ساختار شبکه متمرکز شده است. به عبارتی دیگر، این تحقیقات فرض می‌کنند که دلیل ذاتی علامت یک یال، قابل توصیف بر اساس روابط موجود در شبکه است. در این پایان‌نامه، تمرکز اصلی بر روی نقش بایاس تاثیر اجتماعی در شکل دادن نگرش یک کاربر به کاربری دیگر است. با بررسی شبکه علامت‌دار ویکی‌پدیا، شواهدی ارائه شده که نشان می‌دهد بایاس تاثیر اجتماعی یک عامل تاثیرگذار بر روی علامت یال‌ها است. به بیانی دیگر، نگرش کاربر u بر کاربر v می‌تواند تحت مشاهده نظر سایر افراد به v تغییر کند. بر اساس این نتیجه، دو مدل با نام‌های نظر-تغییر و فاکتورگیری پارامتر برای حل مسئله پیشبینی علامت بر اساس اطلاعات بایاس تاثیر اجتماعی، ارائه شده است. مدل نظر-تغییر فرض می‌کند که نگرش مثبت یا منفی کاربر u به کاربر v می‌تواند تحت مشاهده نگرش سایر کاربران به v، معکوس شود. برای مدل‌سازی این ایده، دو مجموعه دسته‌بندی کننده تخمین‌گر نظر و شرایط تغییر بر اساس ساده‌سازی محدب یک تابع گسسته آموزش داده می‌شوند. در مدل فاکتورگیری تاثیر، برای هر جفت کاربر (u,v) یک ویژگی مخفی به نمایندگی از میزان تاثیر مشاهده نظر کاربر v بر نظر کاربر u وجود دارد. مفاهیم مدل‌سازی رتبه-پایین به منظور آموزش موثر تعداد پارامترهای زیاد مدل فاکتورگیری تاثیر، مورد استفاده قرار گرفته‌اند. نتایج نشان از دقت برتر مدل‌ها داشته و اطلاعات مفیدی در مورد تعامل ساختار شبکه و بایاس تاثیر اجتماعی می‌دهند. واژه‌های کلیدی: شبکه‌های علامت‌دار، بایاس تاثیر اجتماعی، مدل‌سازی رتبه-پایین، بهینه‌سازی گسسته
- Abstract
- Social networks with positive and negative edges can be found in many applications. In these networks, the sign of an edge indicates the positive or negative attitude of a user toward another. One of the main issues in such networks is predicting the sign of an edge. To this end, many research works have focused on modeling the relation between an edge sign and network structure. In other words, they consider that the reasons underlying the sign of an edge can be expressed by the existing relations in the network. In this research, we focus on the role of social influence bias in shaping the attitude of a user toward another. By analyzing Wikipedia RSA network, we find strong evidences showing that social influence bias is a prominent factor affecting the sign of an edge. Analogously, the attitude of user u toward user v may change when observing the attitude of other users toward v. Based on this result, two models named Stance-Switch and Influence Factorization are proposed to approach sign prediction problem through the information forming social influence bias. Stance-Switch model considers that the positive or negative attitude of a user toward another can be switched when observing others’ opinions. In order to model this idea, two set of classifiers called stance estimator and switch criteria are trained through convex relaxation of a discrete optimization objective. In Influence Factorization model, for each pair of users (u,v), a latent feature models the influence of observing v’s attitude on u’s attitude. The concepts of low-rank modeling are used for efficient training of the large number of Influence Factorization’s parameters. Our results demonstrate superior accuracy of the models for the task of sign prediction and shed interesting information regarding the interaction of social influence bias and network structure. Keywords: Signed Networks, Social Influence Bias, Low-rank Modeling, Discrete Optimization
