26018

بهبود پيش بيني تحوالت شبكه هاي پويا با تاكيد بر تشخيص رخ دادها

كارشناسي ارشد

مهندسي كامپيوتر

1397

1400/8/26

حسن نادري

كامپيوتر

در شبكههاي اجتماعي، كشف جوامع يك سطح بالا از اطلاعات را فراهم مي‌آورد كه سبب درك بهتر شبكه مي‌گردد. در مساله پيش‌بيني تحولات جوامع در شبكه، هدف اين است كه با تحليل و بررسي تحولات شبكه در پنجره‌هاي زماني پشت‌سر‌هم، به دنبال شناسايي الگويي در جهت پيش‌بيني آينده تحولات جوامع در شبكه ‌باشيم. در اكثر قريب به اتفاق كارهايي كه تاكنون در زمينهي تقسيمبندي و يا پنجرهبندي دادههاي زماندار، در جهت تحليل روند تغييرات شبكه انجام شده است، اندازهي پنجره‌ها به صورت ثابت در نظر گرفته شده و اين پنجره‌گذاري به صورت دستي و بر مبناي دانش انسان از داده مورد بررسي، صورت ميگيرد. . اين در صورتي است كه در يك پنجره ممكن است رخدادهاي مهمي به وقع بپيوندد در حالي كه در چندين پنجرهي بعدي رخداد قابل ذكري وجود نداشته باشد. در حالت اول با مشكل از دست دادن دانش ناشي از رخدادهاي فراوان در يك پنجره و در حالت دوم با مشكل صرف منابع پردازشي بدون دستيابي به دانش مفيد رو برو خواهيم بود. بزرگ در نظر گرفتن اندازهي پنجره مشكل اول را حادتر كرده در حالي كه كوچك در نظر گرفتن اندازهي پنجرهها مشكل دوم را افزايش ميدهد. در نتيجه در اين تحقيق براي اولين بار به راهحلي رسيديم كه توسط آن دادههاي شبكههاي اجتماعي بر روي خط زمان را ميتوان به صورت خودكار به پنجرههاي زماني با اندازههاي متغير مناسب براي الگوريتمهاي مختلف از جمله الگوريتمهاي تشخيص تحولات جوامع تقسيمبندي كرد. در اين پايان نامه طول اين پنجرهها در راستاي بهبود پيمانگي، بزرگ يا كوچك شده و در نهايت و با استفاده از محاسبات اوليهي مطرح شده، نشان خواهيم‌داد چگونه ميتوان كيفيت خروجي پيش‌بيني تحولات جوامع در مقايسه با ساير الگوريتم‌هاي ارائه شده در اين حوزه را بهبود داد.

1400/11/18

Improve prediction of dynamic network developments with emphasis on event detection

11/17/2022 12:00:00 AM

In social networks, the discovery of communities provides a high level of information that leads to a better understanding of the network. In the problem of predicting the evolution of communities in the network, the goal is to analyze the network evolution in consecutive time windows, to seek a model to predict the future of the evolution of societies in the network. In the vast majority of work that has been done so far in the field of segmentation or windowing of temporal data, in order to analyze the trend of network changes, the size of the windows is considered fixed and this windowing is It is done manually and based on human knowledge of the data under study. . This is the case if important events may occur in one window while there are no significant events in several subsequent windows. In the first case, we will face the problem of losing knowledge due to many events in one window, and in the second case, we will face the problem of wasting processing resources without gaining useful knowledge. Large window size exacerbates the first problem, while small window size increases the second problem. As a result, in this study, for the first time, we came up with a solution by which social network data on a timeline can be automatically converted to time windows with variable sizes suitable for different algorithms. Among the algorithms for detecting the evolution of societies. In this dissertation, the length of these windows has been increased or decreased in order to improve modulus, and finally, using the initial calculations, we will show how the output quality can predict the evolution of societies compared to other proposed algorithms. Improved in this area.

شبكههاي اجتماعي پويا , تقسيم بندي داده , پنجرههاي زماني با طول متغير , پيش بيني تحولات جوامع , تحولات جوامع

Dynamic social networks , community evolution , data segmentation , dynamic time windows , predicting community evolution