20439

۲۰۴۳۹

استخراج كنش از گراف شبكه اجتماعي با استفاده از ساختارهاي عِلّي با هدف افزايش قابليت اجراي كنش‌هاي استخراج شده

كارشناسي ارشد

نرم افزار

۱۳۹۷

۱۳۹۷/۱۱/۲۷

دكتر عين اله خنجري ميانه

كامپيوتر

در بسياري از مسائل دنياي واقعي، هدف از كشف دانش، خود دانش نيست، بلكه يافتن راهي براي استفاده از آن به صورت عملي است. مدل‌ها و الگو‌هايي كه توسط روش‌هاي داده‌كاوي كشف مي‌شوند عموما نيازمند پسا‌پردازش براي رسيدن به اين هدف هستند. استخراج دانش كنش‌پذير زمينه‌ايست كه براي حل اين مشكل بوجود آمده و در اين راستا كنش استخراج مي‌كند. يك كنش، پيشنهاد تغييري در شي مورد نظر است كه در صورت اجراي آن احتمال رسيدن به وضعيتي بهتر از آن شي كه با توجه به نياز‌ دامنه تعريف مي‌شود ( وضعيت مطلوب)، افزايش مي‌يابد. در زمينه‌ي استخراج كنش، يك چالش اساسي يافتن راهي براي دستيابي به وضعيت مطلوب، با بهره‌گيري ارتباطات علّت و معلولي ميان متغيرهاست تا بتوان كنش‌هايي با اثرگذاري بهتر نسبت به حالتي كه ساختارهاي عِلّي در نظر گرفته نمي‌شود يافت. هدف اين پايان نامه، ورود به شبكه‌هاي اجتماعي است و قصد دارد تا با كشف ساختارهاي عِلّي از درون داده‌هاي شبكه‌اي كنش استخراج كند. با توجه به اينكه در اين نوع از داده‌ها ارتباطات ميان متغيرها داراي اطلاعات ارزشمندي است، يكي از چالش‌هاي اصلي در اين زمينه بدست آوردن ويژگي‌هايي است كه نه تنها افراد درون شبكه‌ي اجتماعي را به خوبي و متمايز از ديگر افراد توصيف ‌كند بلكه بتواند اطلاعات مربوط به ارتباطات شبكه را نيز در فرايند استخراج كنش دخيل نمايد. روشي تركيبي تحت عنوان SF-ICE-CREAM در راستاي فائق آمدن به همين مساله طرح شده است كه با استفاده از ويژگي‌هايي كه برگرفته از ساختار دادگان شبكه‌ايست، شبكه‌ي عِلّي نهفته درون آن را يافته و در نهايت در راستاي بهبود وضعيت كنش استخراج مي‌كند. در اين پايان نامه نشان خواهيم داد كه روش ما نسبت به ديگر روش‌هاي ارائه شده در اين حوزه عملكرد بهتري از لحاظ تاثيرگذاري مجموعه كنش‌ها و سود خالص دارد.

1398/02/12

Action Extraction from Social Network Graphs Using Casual Sructures to Increase Applicability of Extracted Actions

2/16/2019 12:00:00 AM

Knowledge discovery and data mining provide an array of solutions for real-world problems. When facing business requirements, the ultimate goal of knowledge discovery is not the knowledge itself but rather making the gained knowledge practical. Consequently, the models and patterns found by the mining methods often require post-processing. To this end, actionable knowledge discovery has been introduced which is developed to extract actionable knowledge from data. The output of actionable knowledge discovery is a set of actions that help the domain expert to gain the desired outcome. Such a process where a set of actions are extracted is called action extraction. One of the challenges of action extraction is to incorporate causal dependencies among the variables to find actions with higher effectiveness compared to when no such dependencies are used. The goal of this paper is to dive into the lesser studied subject of “action discovery in social networks” and intends to extract actions by utilizing the casual structures discovered from such data. Furthermore, in order to capture the underlying information within a social network, we extract the corresponding structural features. We propose a method called SF-ICE-CREAM (Social Features included Inductive Causation Enabled Causal Relationship-based Economical Action Mining) to overcome the challenges introduced above. This method uses structural features to find the underlying causal structures within a social network and incorporates them into the action extraction process.