23242

استخراج كنش از شبكه هاي اجتماعي مبتني بر كاوش داده‌ها

دكتري تخصصي

نرم افزار

1392

1399/2/10

دكتر عين اله خنجري

كامپيوتر

رشد روزافزون در روند جمع‌آوري و ذخيره‌سازي داده‌ها منجر به اهميت يافتن استخراج خودكار دانش معتبر، از پيش ناشناخته و قابل استفاده، از آن‌ها شده است. تاكنون تحقيقات گسترده‌اي در زمينه كشف و استخراج دانش از داده‌ها انجام شده است كه اغلب آن‌ها محدود به يافتن مجموعه‌اي از الگوها و مدل‌ها مي‌باشند. اين نتايج اغلب نياز به ميزان زيادي پس‌پردازش دارند تا قابل استفاده توسط كاربر نهايي شوند. يكي از دلايل اين مسئله نداشتن قابليت استفاده عملي الگوها و مدل‌هاي كشف شده مي‌باشد. براي غلبه بر اين ضعف مبحث كنش¬كاوي مطرح شده است كه هدف آن استخراج دانشي مي‌باشد كه قابل‌اعمال در حوزه مربوطه باشد به اين معني كه به كمترين دخالت متخصصين حوزه مربوطه نياز باشد. كنش¬كاوي راهكاري در كشف دانش كنشمند است كه به استخراج دانش كنش¬پذير به منظور پيشنهاد مجموعه‌اي از تغييرات به منظور نيل به وضعيت مطلوب مي‌پردازد. طي سال‌هاي اخير پژوهش‌هاي متعددي در زمينه كنش¬كاوي صورت گرفته است كه عمده‌ي اين پژوهش‌ها، به كاوش كنش در داده‌هايي با ساختار ساده محدود مي‌باشد. در اين روش‌ها موجوديت‌ها مستقل از يكديگر فرض مي‌شوند، درحالي‌كه در اغلب كاربردهاي رايج امروزي، ارتباط بين موجوديت‌ها از اهميت ويژه‌اي برخوردار است. از جمله اين كاربردها شبكه‌هاي اجتماعي مي‌باشد . با توجه به پيچيدگي ساختاري اين داده‌ها، كاوش كنش در آن‌ها با چالش‌هاي خاص خود همراه است. در اين رساله، به مبحث استخراج كنش از شبكه‌هاي اجتماعي پرداخته¬ايم. با توجه به اهميت رده‌بندي در شبكه¬هاي اجتماعي، چارچوبي را براي استخراج كنش از شبكه‌هاي اجتماعي معرفي كرده و ضمن تعريف مفاهيم مبنايي كنش در شبكه اجتماعي و معيارهاي ارزيابي كيفيت كنش‌ها، يك صورت‌بندي صوري از مسئله ارائه داده‌ايم. علاوه بر اين، دو رويكرد هم در راستاي استخراج كنش‌هاي بهينه از داده‌هاي شبكه اجتماعي بررسي شده¬اند. رويكرد اول، بسط روش‌هاي پيشين است كه در آن ويژگي‌هاي ساختاري گراف استخراج مي‌شود و درنهايت، با ايده از يك روش متداول كنش¬كاوي به استخراج كنش مي‌پردازيم. رويكرد دوم، استخراج كنش به طور مستقيم از گراف داده‌ها مي‌باشد كه در آن، گراف شبكه اجتماعي به عنوان ورودي روش كنش¬كاوي در نظر گرفته مي‌شود و استخراج كنش با توجه به رده‌بندي مبتني بر قدم¬زني تصادفي به نحوي صورت مي‌گيرد كه ساختار گراف در فرآيند يادگيري مورد پردازش و استفاده قرار مي‌گيرد. اين رويكرد، براي دو نوع تغييرات در شبكه شامل تغييرات در يال‌ها و ويژگي‌هاي گره بسط داده شده است. همچنين، براي هر رويكرد، روش‌هايي طراحي و پياده‌سازي نموده‌ايم. نتايج تجربي بر روي مجموعه داده‌هاي شبكه اجتماعي از جمله فيس‌بوك، گوگل پلاس، DBLP و Hep-th نشان مي‌دهد كه نه تنها توسعه كنش¬كاوي به شبكه‌هاي اجتماعي امكان‌پذير است بلكه كنش‌هاي استخراج شده كيفيت و قابليت كاربردي بالاتري نسبت به بروزترين روش‌هاي موجود دارند.

1399/11/26

Action extraction from social networks based on mining of data

4/29/2020 12:00:00 AM

In this thesis, we introduce action extraction from social networks. To this end, we have presented a framework for extracting action from social networks, and while defining the basic concepts of actions in social networks and the measures for evaluating action quality, we formally formulate the problem. In addition, two approaches have been adopted to extract optimal actions from social network data. The first approach is to extend the available methods in which the structural attributes of the graph are extracted in order to encode the relationships of the graph into a simple structured graph and, finally, we extract actions by using the idea of a common mining method. The second approach is to extract the action directly from the graph, in which the graph is considered as the input data to the action extraction method, and the action is extracted according to the underlying learning method. This approach is extended to two types of network changes, including changes in edges and node properties. We have also designed and implemented methods for each approach. Experimental results on social network datasets, including Facebook, Google+, DBLP, and Hep-th, show that not only is it possible to develop actions for social media, but also the extracted actions are of higher quality and usability than most competing methods.

داده‌كاوي , كنش , شبكه اجتماعي , ويژگي‌هاي ساختاري , كنش¬كاوي , دانش كنشمند

Data mining , Social Network , Action , Structural features , Action mining , Actionable knowledge