20579

۲۰۵۷۹

پيشبيني تكامل گروه در گراف شبكه اجتماعي براساس ويژگي هاي ساختاري و سطح فعاليت كاربران

كارشناسي ارشد

نرم افزار

1394

۱۳۹۷/۰۷/۱۴

دكتر عين الله خنجري

كامپيوتر

امروزه در عصر ديجيتال شبكههاي برخط (همچون تلگرام، فيسبوك) از لحاظ كميت كاربران، ميزان فعاليت و همچنين تاثيرپذيري آنها رشد قابل توجهاي داشته است. اين رشد منجر به ايجاد حجم عظيمي از دادههاي توصيفكننده رفتار كاربران شده است. بررسي تكامل گروه از جمله مسائل مهم در زمينه تحليل رفتار كاربران به شمار ميآيد كه ميتواند از طريق پيشبيني احتمال پيوستن كاربر به گروه بدست بيايد. بدين منظور راهكارهاي مختلفي ارائه شده است كه صرفا مجموعه ويژگيهاي از پيش تعريف شده را از شبكه در يك محدوده زماني استخراج ميكنند. اين راهكارها بدليل در نظر نگرفتن تغييراب شبكه در بازههاي زماني مختلف منجر به كاهش دقت پيشبيني ميشوند. در واقع اط عاب رفتاري كاربران در بازههاي زماني مختلف ميتواند منجر به دانش سودمندي جهت مدل كردن سطح فعاليت كاربران شود. از ديگر معايب اين روش وابستگي آن به دامنه ميباشد. بدين صورب كه بازاي هر مجموعه داده، ويژگيها بايد دوباره تعريف شوند. در بسياري از كارهاي انجام شده تعداد پستها و كامنتهاي ارسال شده، جهت سنجش سطح فعاليت كاربران استفاده شده است اما چنين اط عاتي در مجموعه دادههاي گرافي هميشه در دسترس نيست. در اين پاياننامه به منظور حل مشك ب مذكور براي استخراج ويژگي از روش يادگيري استفاده شده است. ساختار شبكه، اط عاتي در خود نهفته دارد كه ميتوان با استفاده از روشهاي استخراج ويژگي به آنها دست يافت. براي استخراج اين ويژگيها ميتوان از روشهاي يادگيري ويژگي استفاده كرد. از مهمترين خصوصيت يادگيري ويژگي عدم وابستگي آن به دامنه است كه اين امر باعث عدم نياز به تغيير روش استخراج ويژگي در مجموعه دادههاي مختلف ميشود. روشها و تكنيكهاي مختلف برروي سه مجموعه داده reddit ،dblp و stackoverflow اعمال شده است، بدين ترتيب كه ابتدا ويژگيهاي ساختاري با استفاده از الگوريتمهاي يادگيري ويژگي بدست آمده و سپس با كمك گرافهاي شبكه در بازههاي زماني مختلف سطح فعاليت كاربران به عنوان ويژگيهاي فعاليت كاربران به آن اضافه خواهند شد. ويژگيهاي فعاليت همچون تغييراب درجه گره (رابطههاي دوستي جديد)، عضويت كاربر در گروههاي مختلف، ميزان فعاليت دوستان مستقيم و عضويت مشترك است كه همگي از ساختار گراف در بازههاي زماني مختلف بدست ميآيند. نتايج نشان مي دهد كه استفاده از ويژگيهاي فعاليت كاربران باعث افزايش اثربخشي خواهد شد و بكارگيري روشهاي يادگيري ويژگي جهت استخراج بجاي تعريف ويژگي توسط كارشناسان باعث افزايش كارايي و مقياسپذيري ميشود.

1398/03/04

Prediction of group's evolution in social networks based on the structural features and users' activity level

10/6/2018 12:00:00 AM

The problem of the evolution of groups in different time periods is an important issue that is discussed in political, social and commercial fields. For instance, periodic movements, the growth of religious and radical groups can be fundamental examples. In the digital world, online groups (such as telegram groups, Facebook, etc.) have grown significantly, in terms of the number of users involved, the amount of activity and the amount of impact. But because of the costly nature of large-scale computations, perhaps the most basic questions about how the growth or changes in such networks are unanswered; what are the structural features and what are they going to be? Which of the groups will have faster growth? The structure of the information network lies in itself, which can be viewed as a set of features. Using this feature extraction you can achieve this. Feature extraction can be obtained by learning a feature. The most important feature of learning is the generic feature that makes it possible to use on a variety of issues. You can not ignore the level of user activity over time to predict joining a group. A user may have a large network of friends but has not done anything in the group for a significant period of time. In many of previous works, the number of posts and comments sent has been used to measure the level of users' activity, but such information is not always available in the database. Here, we want to consider features such as membership in different time periods as an activity, for example, if a person is a member of many groups but has not been a member of any groups lately, he has less activity than a person who is member of less groups in general but has recently become a member of many groups. By using such features for user activity level, it is possible to increase the accuracy of prediction of group changes.