28125

پيش‌بيني تحولات جوامع با استفاده از ويژگي‌هاي ساختاري در شبكه‌هاي اجتماعي پويا

كارشناسي ارشد

مهندسي كامپيوتر - نرم افزار

1398

1401/07/30

دكتر حسن نادري

مهندسي كامپيوتر

امروزه شبكه‌هاي اجتماعي نقش مهمي در زندگي افراد دارند. اين شبكه‌ها ماهيت پويايي دارند به اين معنا كه ممكن است افراد جديدي به شبكه اضافه شوند، افراد موجود شبكه را ترك كنند و يا ارتباط مابين آن‌ها تغيير كند. يكي از مؤلفه‌هاي اساسي در شبكه‌هاي اجتماعي جوامع هستند. جوامع ساختارهايي هستند كه ارتباط دروني آن‌ها بيشتر از ارتباط بيروني آن‌ها است. جوامع نيز، همانند شبكه‌هاي اجتماعي باگذشت زمان دچار تغيير و تحول مي‌شوند، بدين صورت كه يك جامعه مي‌تواند با از دست دادن اعضاي خود كوچك شود و يا درنتيجه اضافه شدن اعضاي جديد، بزرگ‌تر شود يا اينكه دو جامعه با يكديگر ادغام شوند و جامعه جديدي را شكل بدهند و يا بالعكس. پيش‌بيني اين تغيير و تحولات يكي از موضوعات جذاب در زمينه تحليل شبكه هاي اجتماعي است. براي پيش‌بيني اين تحولات نيازمند محاسبه ويژگي‌هاي مربوط به جوامع هستيم تا به كمك آن‌ها خصوصيات ساختاري جامعه را توصيف كنيم. اين ويژگي‌ها نقش مهم و اساسي در كيفيت پيش‌بيني ايفا مي‌كنند. تا كنون تحقيق‌هاي مختلفي در اين زمينه انجام شده است اما در اكثر اين تحقيق‌ها، ويژگي‌ها به‌صورت صريح تعريف شده‌اند كه از دقت پاييني برخوردار بوده‌اند. در اين پژوهش ما با تمركز بر مؤلفه يادگيري ويژگي، و با استفاده از تعبيه‌سازي گراف به ازاي هر جامعه يك بردار ويژگي به دست آورده‌ايم. نتايج آزمايش‌هاي چارچوب ارائه شده بر روي 6 مجموعه‌داده دنياي واقعي نشان مي‌دهد چارچوب ما دقت پيش‌بيني را تا 8 درصد و به طور ميانگين تا 4.6 درصد افزايش مي‌دهد. همچنين ما نشان داديم كه يادگيري ويژگي فقط بر روي ساختار جامعه، موجب كاهش دقت پيش‌بيني نمي‌شود.

1402/01/27

Community evolution prediction using structural features in the dynamic social networks

10/22/2023 12:00:00 AM

Today, social networks play an important role in our lives and many people deal with social networks. On the other hand, these networks change as a result of people's activities. New people may be added to the network, or existing people may leave the network or the connection between them may change, indicating the dynamic nature of social networks. One of the basic components in social networks is communities. We consider communities as structures whose internal connection is greater than their external connection. Communities also change over time. A community can shrink with the loss of its members, or become larger as a result of the addition of new members, or the two communities can merge to form a new community, or vice versa. To predict these evolutions, to predict these developments, we need to compute the characteristics of communities to describe the structural features. These features play an important role in the quality of predicting. All the researches done in this field, the features have been explicitly defined which have been of low accuracy. In this research, we have obtained a feature vector for each community by focusing on the feature learning component, and by using graph embedding. The test results of the framework presented on 6 real-world datasets show that our framework increases the prediction accuracy by 8% and on average by 4.6%. We also showed that feature learning based on community structure does not reduce predictive accuracy.

تحليل شبكه‌هاي اجتماعي پويا , پيش‌بيني تحولات جوامع , يادگيري ويژگي , تعبيه‌سازي گراف

Dynamic social network analysis , predicting community evolution , feature learning , graph embedding

mohsen mortezapour

hassan naderi