23424

استخراج خودكار ويژگي از شبكه‌هاي اجتماعي پويا

كارشناسي ارشد

مهندسي كامپيوتر

99

1399/10/27

دكتر عين‌الله خنجري

كامپيوتر

يكي از مهم‌ترين شبكه‌هايي كه در عصر حاضر همواره در روابطي كه به‌صورت روزانه با ساير افراد در آن نقش داريم، شبكه‌هاي اجتماعي است. اين شبكه‌ها با رشد و گسترش شبكه جهاني وب وارد مرحله جديدتري شده است. با توجه به گوناگوني شبكه‌هاي اجتماعي مطالعه و شناخت ويژگي‌هاي اين شبكه‌ها نيازمند تخصص در حوزه‌هاي اجتماعي مختلف هست. بااين‌حال كشف و استخراج ويژگي‌ها به‌صورت دستي داراي چالش هاي مختلفي است. از جمله اين چالش ها ميتوان به عدم كشف برخي از ويژگي هاي مهم و تاثيرگذار در فرايند استخراج ويژگي به صورت دستي اشاره كرد كه درنتيجه آن باعث مي‌شود شناخت دقيقي از اين شبكه‌ها حاصل نگردد. در اين كار با استفاده از Node2Vec به عنوان روش تعبيه سازي گراف هاي ايستا، روشي بر اساس بروزرساني تعبيه هاي استخراج شده در طول زمان جهت تعبيه سازي گراف هاي پويا ارائه داديم. نوآوري ارائه شده در اين كار، تغيير مفهوم بروزرساني گراف از مفاهيم پايه مانند اضافه و حذف يال و گره به تغييرات ساختاري بود. براي اين كار ابتدا ويژگي هاي ساختاري كه در تاثير بيشتري در تعبيه سازي گراف را دارند با استفاده از روش هاي انتخاب ويژگي استخراج ميكنيم. سپس بر اساس ويژگي انتخاب شده و تغييرات در مقدار اين ويژگي در طول زمان، اقدام به بروز رساني بردار هاي تعبيه شده بر اساس روش skip-gram پويا مي‌كنيم. در اين كار ما توانستيم با استفاده از روش ارائه شده براي شبكه هاي اجتماعي پويا در مسئله پيش‌بيني ارتباطات، به طور متوسط 4درصد دقت بيشتر نسبت به الگوريتم هاي مشابه بدست آوريم. همچنين توانستيم به طور ميانگين تا 50 درصد در سرعت اجراي الگوريتم بهبود دهيم. در سال‌هاي اخير روش‌هاي تعبيه سازي گراف به‌عنوان يك روش براي بررسي ويژگي‌هاي گراف ارائه‌شده است. به‌صورتي كه هر گره در شبكه با يك بردار از ويژگي‌ها نمايش داده مي‌شود. درواقع هر درايه از اين بردار، معرف يك ويژگي از گره در شبكه هست.

1400/02/07

Feature extraction from dynamic social networks

1/17/2022 12:00:00 AM

In recent years, the data of various networks has grown at an extraordinary rate. These networks exist in many areas such as the Internet, the World Wide Web, scientific citation and authorship, epidemiology, communication analysis, metabolism, ecosystem, bioinformatics, fraud and terrorist analysis, and many more. The links in the network data may represent citations, friendships, associations, metabolic functions, communications, common sites, common mechanisms, or many other explicit or implicit relationships. In the present age, one of the most important networks in which we play role through making daily interactions with other people is social networks. These networks have entered a new phase with the growth and expansion of the World Wide Web. Due to the diversity of social networks, studying and recognizing the characteristics of these networks requires expertise in various social fields. However, discovering and extracting features manually has its own challenges. one of these challenges is that some important and effective features have not been discovered in the manual feature extraction process which results in the lack of accurate understanding of these networks. In recent years, graph embedding methods have been proposed as methods to study graph properties. Each node is represented by a feature vector in the network. In fact, each element of this vector indicates a property of the node in the network. Network embedding which is a method for learning low-dimensional representations of nodes is useful in many network study applications such as edge prediction and node clustering. Most of these social networks are naturally dynamic due to the individuals 'interactions inside of it, that is, they evolve over time as nodes and links are added, removed, and changed. in social networks, temporal information is very important for accurate modeling, forecasting and understanding the network data. Despite the importance of these dynamics, most research on network representation learning has focused on static graphs. with regard to the dynamic nature of social networks and the inefficiency of static methods for studying dynamic social networks, we aimed to provide a general framework for automatically extracting the features of dynamic social networks by combining temporal information in static embedding methods.

تعبيه سازي شبكه‌هاي اجتماعي , شبكه‌هاي اجتماعي پويا , يادگيري ويژگي

Social Network embedding , Dynamic Social Networks , Feature Learning