33425

تشخيص جامعه در شبكه‌هاي اجتماعي پويا با استفاده از شبكه‌هاي كانولوشني سه‌بعدي

كارشناسي ارشد روزانه

مهندسي كامپيوتر - گرايش نرم افزار

1400

1403/10/22

دكتر عين‌اله خنجري ميانه

استاد مشاور نداشتم- دكتر حسين رحماني به عنوان داور داخلي و دكتر سيد حسين خواسته به عنوان داور خارجي

دانشكده مهندسي كامپيوتر

يكي از كاربردهاي مهم در زمينه تحليل شبكه‌هاي اجتماعي، تشخيص جامعه است. هدف از تشخيص جامعه يافتن زيرگروه‌هايي از كاربران با ساختار متراكم مي‌باشد. يكي از مواردي كه اخيرا مورد توجه محققين قرار گرفته است، شناسايي جوامع در حال تكامل مي‌باشد. شبكه‌هاي پويا را بدين صورت مي‌توان تعريف كرد كه گره‌ها يا يال‌ها در گراف شبكه‌هاي اجتماعي در حال تغيير هستند. بعد زماني در شبكه‌هاي اجتماعي پويا مي‌تواند اطلاعات ارزشمندي را منتقل كند، بنابراين نيازمند طراحي مدل‌هايي هستيم كه بتواند پويايي شبكه را ثبت كند و از اطلاعات توپولوژيكي و اطلاعات زماني به‌طور همزمان استفاده كند. يك مدل تشخيص جامعه بايد بتواند به سرعت تحولات شبكه را براي كشف تغييرات جامعه ثبت كند. بر اساس بررسي‌هاي انجام شده بر روي مدل‌هاي تشخيص جامعه پويا با استفاده از روش‌هاي يادگيري عميق، تمامي روش‌ها بعد زماني را در مرحله يادگيري شبكه عصبي عميق در نظر مي‌گيرند و اين مي‌تواند آموزش مدل را زمان‌بر كند. با توجه به درنظر گرفتن مزاياي شبكه‌هاي عصبي كانولوشني به‌عنوان زيرشاخه‌اي از روش‌هاي يادگيري عميق، مدل بدون نظارتي كه پيشنهاد مي‌شود، تركيبي از شبكه كانولوشني سه‌بعدي و شبكه خودرمزگذار به همراه يك پيش‌پردازش بر روي گره‌هاي گراف شبكه‌ي اجتماعي و اسنپ‌شات‌ها است. آزمايش انجام شده بر روي مجموعه داده‌ دنياي واقعي نشان مي‌دهد كه مدل پيشنهادي با زمان اجرا 23 ثانيه و كاهش 84 درصدي نسبت به روش‌هاي پيشين داراي عملكرد بهتري از نظر زمان اجرا نسبت به روش‌هاي تشخيص جامعه پويا موجود است.

1404/03/05

Community Detection in Dynamic Social Networks Using 3D Convolutional Neural Network

1/1/1900 12:00:00 AM

One of the important applications in the field of social network analysis is community detection. The purpose of community detection is to find subgroups of users with a dense structure. One of the things that has recently attracted the attention of researchers is the detection of evolving communities. Dynamic networks can be defined as the nodes or edges in the social network graph are changing. The time dimension in dynamic social networks can convey valuable information, so we need to design models that can record the dynamics of the network and use topological information and time information simultaneously. Community detection model should rapidly capture the network evolvement to explore community changes. Based on the studies on dynamic community detection models using deep learning methods, all methods consider the time dimension in the deep neural network using learning stage, and this can take time to train model. Considering the advantages of convolutional neural networks as a sub-branch of deep learning methods, the proposed unsupervised model is a combination of 3D convolutional network and autoencoder with a preprocessing on dynamic social network graph nodes and snapshots. The experiment conducted on a real-world dataset shows that the proposed model, with a runtime of 23 seconds and an 84% reduction compared to previous methods, has better performance in terms of runtime than existing dynamic community detection methods.

شبكه‌هاي اجتماعي پويا , تشخيص جامعه , يادگيري عميق , يادگيري بازنمايي , يادگيري بدون نظارت

Dynamic Social Network , Community Detection , Deep Learning , Representation Learning , Unsupervised Learning

niloofar izadyar shahrivar

eynollah khanjari