تحليل شبكه‌هاي اجتماعي ، ابزار مهمي براي نظارت بر شبكه‌ها، شناسايي الگوهاي رفتاري و عملكردي اعضاي آن‌ها مي‌باشد. بررسي و تحليل تغييرات به‌ وجود آمده در طول زمان در شبكه‌هاي اجتماعي، مي‎تواند منجر به كشف تغييرات قابل توجه در ارتباطات موجود در شبكه‌ها، شناسايي حوادث يا رفتار‎‌هاي مهم و معني‌داري گردد. بنابراين پايش شبكه‌هاي اجتماعي به عنوان سازوكاري قدرتمند براي اتخاذ راهبرد و راهكار به منظور كشف و بررسي روند فعاليت شبكه‌ها، تشخيص و شناسايي تغييرات احتمالي، تعيين نقاط تغيير و بررسي علل و دلايل وقوع آن‌ها براي پيش‌بيني‌هاي آينده، دريافت هشدار‌هاي زودهنگام و پاسخگويي سريع به فعاليت‌هاي مثبت و منفي سازمان، در‌نظر گرفته مي‌شود. در اين پژوهش با ارائه مدلي بر مبناي توزيع پواسون، شبكه‌اي وزن‌دار و غير جهت‌دار براساس ماتريس ماژولاريتي شبيه‌سازي شده و با به‌كارگيري مقادير ويژه مربوط به آن مورد پايش قرار گرفته است. عملكرد مدل پيشنهادي براساس معيارهاي متوسط طول دنباله و انحراف استاندارد طول دنباله با به‌كارگيري نمودارهاي جمع تجمعي چند متغيره و ميانگين موزون نمايي چند متغيره مورد ارزيابي قرار مي‌گيرد. نتايج حاصل از شبيه‌سازي حاكي از آن است كه رويكرد پيشنهادي در مقايسه با مطالعات انجام شده از عملكرد رضايت‌بخشي در شناسايي تغييرات برخوردار است.

1397/04/30

Designing a model for social networks monitoring based on the eigenvalues of modularity matrices

7/21/2018 12:00:00 AM

The discussion of Social network analysis is one of the new fields of research that has attracted the attention of quality engineering researchers in recent years. Social network analysis is an important tool for monitoring the communications of online social networks, biological networks, and organizational communications. Analyzing the changes that have occurred over the time in social networks, can lead us to anticipate the significant changes in organizations, events or considerable behaviors. As the government and organizations are interested in methodologies for identifying the future terrorist attacks or the cause of eliminating the organization effectiveness, monitoring the social networks can be used as a powerful mechanism for adopting the strategy to analyzing the networks activity and detecting possible changes, determining the change points and examining the causes of their occurrence for future predictions and giving the quick response to activities. In this research, we presented a model for monitoring a weighted and undirected network based on the eigenvalues of a modularity matrix. The performance of the proposed method is evaluated based on the average run length and the standard deviation of the communications by applying the multivariate cumulative sum and multivariate exponentially weighted moving average control charts. Simulation results indicates that the proposed method has an acceptable performance in detecting changes in the fields of social networks.