[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور پژوهشی::
آموزش الکترونیکی::
پردیس شماره 2::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
::
ورود به سایت دروس

AWT IMAGE

نام کاربری
کلمه عبور

AWT IMAGE
رمز ورود را فراموش کرده‌اید؟

..
دفاعیه کارشناسی ارشد

دفاعیه کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: مهیار ظریف کار - 1397/07/14 ::
 | تاریخ ارسال: ۱۳۹۷/۷/۱۴ | 

آقای مهیار ظریف کار دانشجوی کارشناسی ارشد آقای دکتر خنجری  شنبه 1397 /14/07 ساعت 17:00 در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان پیش­بینی تکامل گروه در گراف شبکه­ اجتماعی براساس ویژگی­های ساختاری و سطح فعالیت کاربران  دفاع خواهند نمود.


چکیده پایان نامه:

امروزه در عصر دیجیتال شبکه­های برخط (همچون تلگرام، فیسبوک) از لحاظ کمیت کاربران، میزان فعالیت و همچنین تاثیر­پذیری آن­ها رشد قابل توجه­ای داشته­ است. این رشد منجر به ایجاد حجم عظیمی از داده­های توصیف­کننده رفتار کاربران شده است. بررسی تکامل گروه از جمله مسائل مهم در زمینه تحلیل رفتار کاربران به شمار می­آید که می­تواند از طریق پیش­بینی احتمال پیوستن کاربر به گروه بدست بیاید. بدین منظور راه­کارهای مختلفی ارائه شده است که صرفا مجموعه ویژگی­های از پیش تعریف شده را از شبکه در یک محدوده زمانی استخراج می­کنند. در نظر گرفتن مجموعه ویژگی­های از پیش تعریف شده منجر به کاهش دقت پیش­بینی می­شود و این مجموعه وابسته به دامنه خواهد شد. این روش­ها تغییرات شبکه را در بازه­های زمانی مختلف در نظر نمی­گیرد. در واقع اطلاعات رفتاری کاربران در بازه­های مختلف می­تواند منجر به دانش سودمندی جهت مدل کردن سطح فعالیت کاربران شود. در بسیاری از کارهای انجام شده تعداد پست­ها و کامنت­های ارسال شده، جهت سنجش سطح فعالیت کاربران استفاده شده است اما چنین اطلاعاتی در مجموعه­ داده­های گرافی همیشه در دسترس نیست. در این پایان­نامه به منظور حل مشکلات مذکور برای استخراج ویژگی از روش یادگیری استفاده شده است. ساختار شبکه، اطلاعاتی در خود نهفته دارد که می­توان با استفاده از روش­های استخراج ویژگی به آن­ها دست یافت. برای استخراج این ویژگی­ها می­توان از روش­های یادگیری ویژگی استفاده کرد. از مهمترین خصوصیت یادگیری ویژگی عدم وابستگی آن به دامنه است که این امر باعث عدم نیاز به تغییر روش استخراج ویژگی در مجموعه داده­های مختلف می­شود.
 
واژه های کلیدی: استخراج ویژگی، ویژگی­های ساختاری، تعبیه­سازی شبکه، شبکه­های اجتماعی
 

 

  ارائه­ دهنده:

مهیار ظریف کار

  استاد راهنما:

آقای دکتر خنجری

  استاد ممتحن خارجی : آقای دکتر محمد صنیعی آباده

استاد ممتحن داخلی: آقای دکتر حسن نادری

  زمان :  شنبه 14 مهرماه

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304

  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

دفعات مشاهده: 159 بار   |   دفعات چاپ: 4 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
School of Computer Engineering
Persian site map - English site map - Created in 0.22 seconds with 51 queries by YEKTAWEB 3789