19167

۱۹۱۶۷

پايش شبكه هاي اجتماعي با مشخصه هاي طولي

كارشناسي ارشد

بهينه سازي سيستم

۱۳۹۴

۱۳۹۷/۱/۲۸

دكتر رسول نورالسناء

دكتر سعيدي مهرآباد

صنايع

پايش شبكه هاي اجتماعي ميتواند اهميت به سزايي در زندگي هاي كنوني و جامعه داشته باشد. مطالعات اخير حاكي از اهميت اين موضوع و تمايل محققان براي مدلسازي و پايش ارتباط بين اعضاي اين شبكه در بستر زمان دارد. به خصوص ، تمايل براي مدلسازي شبكه با توجه به متفييرهاي تبييني در سالهاي اخير افزايشي افته است؛ اما اين مطالعات، همبستگي بين متغييرهاي پاسخ را در مدلهاي مطرح شده در نظر نگرفته اند. در اين پايان نامه ما از مدل هاي آميخته خطي تعميم يافته (مدل هاي اثرات تصادفي) به منظور مدلسازي شبكه ي اجتماعي و با توجه به ويژگي هاي هر گره موجود در شبكه استفاده كرده ايم. به منظور تخمين پارامترهاي مدلهاي رگرسيوني استفاده شده، از روش حداكثر سازي ارزش انتظاري مونت كارلو جهت حداكثر سازي تابع درست نمايي استفاده شده است. سپس آماره نسبت درست نمايي جهت شناسايي نقاط تغيير توسعه داده شده است. در مطالعات شبيه سازي از دو شاخص ريشه ميانگين توان دوم خطاها به منظور انتخاب مدل بهتر براي داده هاي شبيه سازي شبكه استفاده شده است كه نتايج بيان كننده بهتر بودن مدل رگرسيوني آميخته پواسون صفر متورم براي توصيف داده ها است. در بخش ديگري از مطالعات شبيه سازي كه به منظور شناسايي تغييرات اتفاق افتاده در شبكه انجام شده، نتايج حاكي از بهبود شاخص متوسط طول دنباله در مقايسه با ديگر مطالعات است.

1397/04/17

Monitoring Social Networks with Longitudinal Attributes

7/8/2018 12:00:00 AM

Social network monitoring (SNM) can play a significant role in everyone’s life. Recent studies show the importance and increasing interests in the subject by modeling and monitoring the communications between network members over time by treating the collected observations as longitudinal data. Typically, the tendency for modeling social networks considering the dependency of an outcome variable on the covariates is growing recently. However, these studies fail to incorporate the possible correlation between responses in the proposed models. In this paper, we use generalized linear mixed models (GLMMs), also referred to as random effects models, to model a social network according to the attributes of nodes in which the nodes take a role of random effect or hidden effect in the modeling. In order to estimate the regression parameters, Monte Carlo expectation maximization (MCEM) algorithm is used to maximize the likelihood function. In our simulation studies, we applied root mean square error (RMSE) and standard deviation criteria to select an appropriate distribution for the simulated data. Results indicate zero inflated Poisson as an appropriate distribution for the data. Also, our simulation study demonstrates an improvement in the average run length (ARL) in comparison to the other studies.