33071

09124194227

رديابي و پيشبيني تحول جوامع شبكههاي اجتماعي با در نظر گرفتن ويژگيهاي معنايي و ساختاري

كارشناسي ارشد

مهندسي كامپيوتر

1401

1403/11/21

حسن نادرى

فرزانه غيورى

مهندسي كامپيوتر

مفهوم تحول در جوامع شبكه هاي اجتماعي برخط ارتباط نزديكي با خصوصيات ساختا ري و معنا ي دارند به صور ي كه قادر هستند تحقيقات در مورد تعاملات اجتماعي، تبليغات و تبادل اطلاعات را بهبود بخشند. در نظر گرف ن ت خصوصيات معنا ي و ساختا ري، رصد و پيش بي ن ن تحول جوامع را راحت ت مي كند. راه كارهاي پيش ن ت عموما اين دو دسته وي ژگ را به صورت مجزا در نظر مي گ تن د كه باعث كاهش كيفيت خرو ج مي شود. تحقيق حا ن ض با ارائه ي راهكا ري كه مدلسا زي موضوع، الگو ريتم تشخيص جامعه و تكنيكهاي يادگ تي ماش ن ت ، اين نقص را برطرف كرده است. مجموعه داده ي قابل توجهي از ت ويي ت به منظور تحليل تحول همزمان خصوصيات ساختا ري و معنا ي در گذر زمان مورد استفاده قرار گرفت. با تشخيص و نگاشت اين خصوصيات ساختا ري و محتوا ي تحول جوامع در پنجره ها همچون رشد، كاهش، مرگ، ادغام و تقسيم جوامعه تحليل شده اند. نتايج اجراي الگو ريتم لوون براي تشخيص جوامع با خرو ج مدل سا زي موضوعات NMF شده اند. مدلهاي ياديگ ري ماش ن ت Random Forest, XGBoost و LightGBM براي پيش بي ن ن خصوصيات آينده ي جوامع مورد استفاده قرار گرفته اند. در اين ب ن ت XGBoost با صحت 88.30 % و با MCC=0.82 به تين خرو ج را داشته است. تحليل اهميت خصوصيات نشان مي دهد كه تغي تات موضوعات و چگالي جوامع فاكتورهاي اساسي در تشخيص تحول جوامع هستند. با تجميع اين موارد، متد پيشنهادي رصد و پيش بي ن ن تحولات جوامع را بهبود مي بخشد .

1403/12/01

Tracking and Predicting the Evolution of social network Communities by Considering semantic and structure features

2/10/2024 12:00:00 AM

The concept of the evolution of the online social network communities is closely related to understanding of semantic and structural features, which can considerably improve investigation of social interactions, advertising, and information delivery. Consequently, tracking and prediction of social network community evolution could be simplified by integrating both semantic and structural features. Often traditional approaches do analyze these aspects separately that leads to which often limits the understanding of complex societal dynamics. This work addresses this gap by developing a novel framework that combines topic modeling, community detection algorithms, and machine learning techniques. Data from a large Twitter dataset was used to analyze the co-evolution of community structure and semantic content over time. Community evolution is tracked across time windows by identifying and mapping these features and further assigning evolution events such as growth, merging, splitting, birth, death, shrinkage, or continuation of communities. Results from applying the Louvain algorithm for community detection are then integrated with NMF topic modelling for semantic extraction. Machine learning models, including Random Forest, XGBoost, and LightGBM, are used to predict future community evolution events. XGBoost has resulted in superior performance metrics across all classes, with an accuracy of 88.30% and an MCC of 0.820. Feature importance analysis detection shows that topic diversity, topic transition rates, and community density are key factors influencing community evolution. By integrating these elements, the method simplifies enhanced understanding and prediction of community transformations, addressing a critical gap in current social network analysis methods.

تكامل جامعه , رديابي , پيش بيني , معنا شناسي جامعه , ساختار جامعه

community Evolution , Tracking , Prediction , community semantics , community structure

ALI JABBAR QASIM AL-SUDANI

Hassan Naderi