ارائه ­دهنده:
کاوه کدخدا
  استاد راهنما:
دکتر حسن نادری
  هیات داوران:

دکتر محمد صنیعی آباده ؛ دکتر سید حسین خواسته؛
دکتر بهروز مینایی ؛ دکتر عین اله خنجری میانه

زمان :  27 مهرماه 1400

  ساعت 17:30

 محل برگزاری: :     http://meeting.iust.ac.ir/

چکیده پایان نامه :

در شبکه‌های اجتماعی، جوامع یک سطح بالا از دانش را فراهم می‌آورند که سبب شناخت بهتر شبکه می‌گردد؛ اما بیشتر تحقیقات انجام‌شده تاکنون بر روی شبکه‌های ایستا انجام‌شده است. این در صورتی است که عناصر جوامع در گذر زمان تغییر می‌کنند، به‌عنوان‌مثال با گذشت زمان کاربران کم یا زیاد می‌شوند و درنتیجه جوامع کوچک یا بزرگ می‌گردند. تجزیه‌وتحلیل تغییر ساختار جوامع سبب درک الگوهای تحولات و عواملی که سبب این تحولات می‌گردند خواهد شد. آزمایش‌ها نشان می‌دهد که در واقعیت اغلب شاهد تحولات جزئی هستیم و یک جامعه شاید نتیجه یک رویداد جزئی باشد به‌عنوان‌مثال یک جز از یک جامعه با جزئی از یک جامعه دیگر ترکیب شود و یک جامعه جدید تشکیل دهد. در این رساله بر مبنای آنچه در واقعیت رخ می‌د‌هد یک تعریف جامع برای تحولات جوامع ارائه‌شده است. برای تشکیل زنجیرهای تحولات جوامع، جوامع در پنجره های زمانی مختلف با یکدیگر مقایسه می شوند. در این رساله رویکردی ارائه شده است که برای هر جامعه آن جامعه را فقط با جوامع مرتبط در پنجره ‌های زمانی قبلی مقایسه خواهد کرد، درنتیجه راه‌حل پیشنهادی زمان ردگیری تحولات جوامع را به طرز چشمگیری کاهش می‌دهد، زیرا پیچیدگی زمانی آن در حالت متوسط خطی است. همچنین روشی جدید برای بررسی انواع مختلف مشخصه‌های ساختاری جوامع و پیدا کردن زیرمجموعه‌ای مناسب از مشخصه‌های مهم جوامع به‌منظور پیش‌بینی آینده تحولات جوامع ارائه شده است. در نتیجه برای گام‌های زمانی بعدی می توان فقط همین مشخصه‌های مهم و کاربردی را محاسبه کرد و به‌طور قابل‌توجهی هزینه محاسبه مشخصات را کاهش داد. در نهایت شایان ذکر است که در این رساله تحولات جوامع در شبکه های اجتماعی به صورت جامع مورد تجزیه و تحلیل قرار گرفته است و روش هایی کاربردی برای کاهش زمان مورد نیاز برای شناسایی و پیشبینی تحولات جوامع ارائه شده است.
واژه‌های کلیدی: شبکه‌های اجتماعی پویا، شناسایی تحولات جوامع، پیش‌بینی تحولات جوامع.

 
Abstract

We study evolution of social networks at the level of community structure, by tracking and predicting different transformations of communities over time. Upon experimentation, we observed that a considerable portion of community evolution is partial events such as partial merge. Therefore, we define a broader set of community evolution to include partial events. Furthermore, we introduce ICEM, a novel method for Identification of Community Evolution by Mapping. ICEM determines community evolution by tracking community members, implemented with a hash-map. We evaluated our proposed approach with seventeen publicly available social network datasets and compared its performance against other well-known methods in the literature. Our experimental results indicated the performance superiority of our proposed solution. In this context, community evolution prediction is a challenging and time-consuming task, which is the extraction of structural features from large real-world networks. We present AFIF, Automatically Finding Important Features, an efficient solution to examine communities' structural features and also to find a proper subset of promising features in order to predict the upcoming changes of social networks. AFIF combines two key concepts to find prominent features: Prioritization of attributes based on their Spearman's correlation with other features. This enables us to know the features that can represent the rest and to explore which features are unique compared to others. Training a boosting learner and prioritizing attributes based on their usage frequency in learning process to realize which features are more valuable. Eventually, with the use of these components' outputs, the random forest classifier determines important features. We have then conducted extensive experiments and confirmed that our selection of features delivers an outstanding performance in contrast with using the entire set of features.
 
 
Keywords:
Dynamic social network; Identification of community evolution; Community evolution prediction..
 
Keywords: Collaborative Networks, Rules, Dynamic Virtual Organization, Cross_organizatonal Processes 

محل برگزاری: به صورت مجازی 
دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی