پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا

word 1 MB 31078 82
مشخص نشده کارشناسی ارشد مهندسی کامپیوتر
قیمت: ۱۰,۶۶۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان‌نامه کارشناسی ارشد در رشته هوش مصنوعی

    چکیده

     

    امروزه شبکه­ های اجتماعی نظیر فیسبوک از محبوبیت زیادی برخوردار شده اند، چرا که به مردم سرتاسر جهان این اجازه را میدهد که بدون تماس فیزیکی، با دوستان خود ارتباط برقرار کرده، برای آنها پیغام گذاشته و نظرات خود را در مورد موضوعات گوناگون بیان کنند. شناسایی تشکل ها در شبکه های اجتماعی کاربرد بسیار زیادی در زمینه های مختلف دارد، بنابراین این موضوع یک زمینه­ی تحقیقاتی بسیار جالب در میان محققان بسیاری از رشته ها است. مطالعات پیشین تنها از اطلاعات ساختاری و لینک­های موجود در شبکه استفاده میکردند و اطلاعات مفید دیگری که در شبکه وجود داشتند مورد غفلت واقع میشدند. در حالی که در بسیاری از شبکه های اجتماعی، داده­های بسیار مفیدی وجود دارد که توسط کاربران تولید می­شوند، نظیر محتوای متن های تولید شده توسط هر کاربر. با قرار دادن این اطلاعات در کنار ساختار لینک شبکه می­توان تعاملات و ارتباطات بین کاربران را تفسیر کرد. در این مطالعه با استفاده از اطلاعات فوق، نشان داده می­شود کاربرانی که لینک های نزدیکی به هم دارند در یک حوزه کاری شبیه به هم قرار می­گیرند. به­طور خاص­تر،در این پژوهش مدلی برای کشف تشکل ها ارائه می­گردد که در ابتدا سعی میکند با استفاده از یک راهکار بیزی تشکل ها را بر اساس ساختار لینک شبکه شناسایی کند. سپس با استفاده از ابزار های پیمایش متنف در صورتی که متن های منتسب به یک کاربر دارای شباهت­های زیادی با عناوین اسناد منتسب به یک تشکل داشته باشد، آن کاربر به تشکل جدید منتقل می­شود. از این رو، افرادی که در یک تشکل مشترک هستند در یک حوزه­ی کاری شبیه به هم نیز قرار دارند. نتایج حکایت از توانایی روش پیشنهادی در کشف تشکل­هایی را دارد که به لحاظ معنایی کاملا معنی دار هستند.

    واژگان کلیدی: شبکه ­های اجتماعی، تشکل، شناسایی تشکل ها، پیمایش متن

     

    فصل نخست:
    مقدمه

    1-1- شبکه های اجتماعی

    تعامل انسان با کامپیوتر[1] از زمان ایجاد اولین کامپیوتر­ها همواره مورد توجه بوده است و شامل مطالعه، برنامه­ریزی و طراحی رابطه بین کاربران و رایانه­ها است. معمولا از HCI به عنوان نقطه تقاطع علوم کامپیوتر، علوم رفتاری[2]، علم طراحی و چند زمینه دیگر یاد می­شود. این اصطلاح برای اولین بار توسط کارد و همکارانش در کتاب "روانشناسی تعامل انسان با کامپیوتر" مطرح شده است و دلالت ضمنی بر این مطلب دارد که رایانه دارای کاربرد­های بیشماری است که بدون مرز بین آن و کاربر اعمال می­شود[1].

    متخصصان این حوزه در ابتدا به دنبال راهکاری برای تولید سخت افزار­هایی با ارگونومی مناسب بودند. طی دهه­ی 1980 تمرکز اصلی به تولید نرم افزار های کاربر پسند معطوف شد اما طولی نکشید که در دهه­ی 1990 دیدگاه جدیدی مطرح شد که در آن، به رایانه به عنوان ابزاری برای ایجاد تعاملات انسانی نگاه می­شد. با توجه به این رویکرد، شبکه­های اجتماعی اینترنتی عامل ایجاد تعامل میان انسان­ها در فضای مجازی گشتند و اهمیت به سزایی پیدا کردند[2].

    امروزه، با توجه به رشد فراگیر اینترنت و فناوری­های ارتباطی و اطلاعاتی، شاهد شکل گیری یک فضای مجازی در کنار جهان واقعی هستیم  که الگو­های سنتی را دست­خوش تغییر نموده است. این فضا دارای ویژگی­هایی چون فرا­زمان بودن، بی­مکانی، عدم محدودیت به قوانین، روی فضا بودن، آزادی از هویت بدنی و جنسی و برخورداری از فضاهای فرهنگی، اقتصادی، سیاسی است. شبکه­های اجتماعی مجازی، امروزه نقش بسیار مهمی در خلق این فضای مجازی دارند. این فضا­ها در کنار ویژگی­های مثبت، آسیب­های روانی و سیاسی بسیار گسترده­ای را می­توانند برای یک جامعه به همراه بیاورند. همچنین عده­ای از محققان معتقند شبکه­های اجتماعی باعث افزایش معاشرت پذیری می­شود در حالی که عده­ای مقابل این تعریف قرار دارند و معتقدند شبکه اجتماعی فعلی باعث کاهش ارتباط با خانواده می­شود[3]. 

    بنابر تعریف ارائه شده در دانشنامه آزاد ویکی پدیا، شبکه های اجتماعی[3]  ساختار های اجتماعی هستند که از بازیگرانی تشکیل شده اند که به وسیله­ی نوع خاصی از وابستگی مانند روابط دوستی،خویشاوندی، تجاری، الهامات، ایده­ها، لینک­های وب، سرایت بیماری­ها(اپیدمولوژی)، مسیر­هی هواپیمایی یا علایق مشترک با یکدیگر در ارتباط اند. به عبارت دیگر شبکه های اجتماعی مجموعه ای از بازیگران هستند که به نحوی با یکدیگر در ارتباط هستند. در سال های اخیر گسترش استفاده از رسانه­های دیجیتال برای برقراری ارتباط بین افراد، مفهوم شبکه­های اجتماعی به دنیای کامپیوتر راه یافته است و با توجه به زیاد بودن تعداد کاربران در این شبکه­ها، تحلیل آنها به یکی از موضوعات مورد علاقه در اکثر حوزه­ها تبدیل شده است.

    به طور معمول شبکه­های اجتماعی را می­توان در قالب گراف[4] نمایش داد که در این گراف­ها، گره[5] ها معادل  کاربران شبکه اجتماعی بوده و یال­[6]های گراف نشان دهنده­ی ارتباط بین بازیگران می­باشند. با توجه به ساختار شبکه اجتماعی و یک طرفه یا دو طرفه بودن ارتباط گراف متناظر می­تواند جهت دار[7] یا بدون جهت[8] باشد. همچنین در صورتی که وزن ارتباط بین افراد در شبکه­های اجتماعی یکسان نباشد گراف متناظر با شبکه یک گراف وزن­دار[9] خواهد بود که در آن وزن هر یال متناظر با وزن ارتباط می­باشد [4]. 

    1-2- تقسیم­بندی شبکه­های اجتماعی

    شبکه­های اجتماعی به دو دسته­ی شبکه­های مجازی و شبکه­های غیر مجازی تقسیم می­شوند. شبکه­های غیر مجازی توسط مجموعه­ای از کاربران به­هم پیوسته در محیط­های اجتماعی عمل می­کنند. شبکه های اجتماعی مجازی مجموعه­ای از وب سایت[10]­­ها هستند که امکان ارتباط را مستقل از زمان و مکان، برای کاربران خود فراهم می­کنند. با استفاده از این وب سایت ها کاربران  با استفاده از یک موتور جست­و­جو گر و افزودن امکانات جانبی از قبیل انتقال صدا و تصوبر، گفت­و­گوی دوستانه[11]، پست الکترونیکی [12] و ... می­توانند علاقه­مندی، افکار و فعالیت­های خود را در یک ثانیه با صدها و حتی هزاران فرد در سراسر جهان به اشتراک بگذارند.  

    وبلاگ­[13]ها، فیس­بوک[14]، توییتر[15] و یوتیوب[16] از جمله شبکه­های اجتماعی مجازی هستند[5].

     

     

    1-3- اهمیت شبکه­های اجتماعی

    امروزه شبکه­های اجتماعی به دلایل بسیار زیادی مورد توجه هستند و اهمیت دارند که ما به توضیح دو دلیل عمده اکتفا می­کنیم:

    رشد روز افزون شبکه­های اجتماعی و تعداد کاربران آنها

    اگرچه آمار قابل اعتمادی از تعداد کاربران شبکه های اجتماعی بر­خط[17] وجود ندارد [6] اما تحقیقات تجاری نشان می­دهند که جمعیت اعضای این شبکه­ها در سراسر جهان در حال افزایش است. این امر شرکت­های بسیاری را برای سرمایه گذاری در این بخش ترغیب کرده است. البته شبکه اجتماعی برخط یوتیوب که امکان بارگذاری و تماشای ویدیو­های با طول کوتاه را به کاربران خود می­دهد در سایت آماردهی خود[18] اعلام کرده است که در حال حاظر در هر ماه بیش از 800 میلیون بازدید کننده یکتا دارد. در هر روز میلیون­ها عضو به این شبکه افزوده می­شوند. در سال 2011 این شبکه در 43 کشور دنیا بومی شده و به 60 زبان مختلف قابل دسترسی است[7].

     

    تغییر ساختار ارتباطات اجتماعی با ورود و گسترش شبکه­های اجتماعی

    برخی از آثار این تغییر عبارت­اند از: انتشار بسیاری از خبر­های مهم و پرطرفدار در شبکه­های اجتماعی به جای استفاده از ابزار­های سنتی  مانند روزنامه، تلویزیون و ...

    تاثیرات گسترده­ی شبکه­های اجتماعی در شکل­گیری ساختار جدید در روابط بین افراد، بسیاری از محققان، جامعه شناسان و حتی سیاست­مداران را بر­آن داشته است تا به شبکه­های اجتماعی به عنوان یکی از مهمترین ابزار­های تاثیر بر اذهان عمومی بنگرند[3].

    1-4- تحلیل شبکه­های اجتماعی

    با گسترش شبکه­های اجتماعی و اهمیت آنها، نیاز به تحلیل ساختار­ها و رفتار­های شبکه­های اجتماعی، به عنوان یکی از نیازمندی­های شرکت­های تجاری مبدل گشت. تحلیل شبکه­های اجتماعی در بسیاری از کاربرد[19]­هااز جمله مدیریت شبکه اجتماعی، تحلیل گرایش بازار، شناسایی افراد تاثیرگذار و... قابل استفاده است. نیازمندی­های تجاری باعث شده است در سال­های اخیر در بعد آکادمیک توجه زیادی به تحلیل شبکه­های اجتماعی گردد. امروزه این ابزار قدرتمند نه تنها مورد توجه متخصصان فناوری اطلاعات می­باشد، بلکه پژوهشگران سایر رشته­هایی چون علوم تربیتی، زیست شناسی، علوم ارتباطات، اقتصاد و... به عنوان یک تکنیک کلیدی از تحلیل شبکه اجتماعی بهره می­برند[5].

    برای تحلیل شبکه از معیار­ها و نرم­افزار­های متفاوتی استفاده می­شود. نرم افزار­های تجزیه و تحلیل شبکه اجتماعی جهت شناسایی، تجسم و شبیه سازی راًس­ها و یال­ها استفاده می­شوند. ابزار تجزیه و تحلیل شبکه به محققان اجازه می­دهد تا شبکه­هایی با اندازه­های مختلف را بررسی کنند. این نرم افزار­ها که با فراهم آوردن ابزار­های مختلف اجازه اعمال رویه­های ریاضی و آماری را روی مدل شبکه  می­دهند، با نمایش­های بصری شبکه­های اجتماعی به درک و تحلیل نتایج کمک زیادی می­کنند.

    1-5- شبکه­ها و ویژگی آنها

    شبکه­های اجتماعی[20][8]، شبکه­های فنی[21] (مانند اینترنت[9]) و شبکه­های زیستی (مانند

    شبکه­های عصبی[22][10]) نمونه هایی از شبکه­ها هستند. راس­ها در این شبکه­ها، موجودیت­ها و یال­ها، ارتباط بین آن­ها را نشان می­دهند. مثلا در شبکه اینترنت، کامپیوتر­­ها یا مسیریاب­ها و در شبکه­های اجتماعی، مردم را با راس­ها، و ارتباط­های داده­ای بین کامپیوترها و یا روابط دوستی بین مردم را با یال­ها نمایش می­دهیم.

    شبکه­ها دارای ویژگی­های آماری مشترکی هستند. یکی از این ویژگی­ها، ویژگی پدیده دنیای کوچک[23][11] که به 6 درجه جدایی[24] [12] نیز معروف است و بیان می­کند که در یک شبکه، فاصله متوسط بین راس­ها، کوتاه و معمولا تابعی لگاریتمی از تعداد آن­هاست. شش درجه جدایی به این اشاره دارد که اگر فاصله هر فرد را از تمام افرادی که مستقیما می­شناسد یک گام در نظر بگیریم و این فاصله را برای تمام افرادی که با یک نفر واسط با آن آشنایی دارد دو گام در نظر بگیریم آنگاه میانگین فاصله هر دو نفر در کره زمین 6 گام است. در سال 2009 سایتی به نام Glacir[25] برای بررسی تئوری 6 درجه جدایی ساخته شد که نه تنها فاصله شما را با دیگران مشخص می­کرد بلکه نحوه ارتباط شما با اخبار جهان را هم نمایش می­داد. برنامه­ای در فیس بوک به نام Six Degrees توسط بنیان[26]، تهیه شده است که می­تواند فاصله بین افراد را محاسبه کند. این برنامه بیش از 5.8 میلیون کاربر دارد. میانگین فاصله میان تمام اعضا 5.73 است که ماکزیمم آن 12 می باشد.

    ویژگی دیگر، ویژگی توزیع درجه اریب به راست[27] [13] بوده و بیان می کند که درجه بیشتر راس­های یک شبکه، کم و تنها تعداد محدودی از آن­ها درجه بالا دارند و توزیع درجات غالبا با قانون توانی[28] می­باشد[14]. ویژگی بعدی، ویژگی خوشه­بندی[29] یا انتقال­پذیری[30] شبکه  است و بیان می­کند دو راس مجاور با راس سوم، با احتمال زیادی با یکدیگر مجاور بوده و با ضریب خوشه بندی مقداردهی می­شود[15].

    اما مهمترین ویژگی شبکه­ها که توجه بیشتری را به خود جلب کرده است، ویژگی ساختار تشکل[31] می­باشد [16][17] که طبق تعریف سنتی به معنی وجود گروه­های متراکم از راس­ها و ارتباطات تنک بین این گروه­هاست. این ویژگی در شکل 1-1 نشان داده شده است. (به این ویژگی، خوشه­بندی نیز گفته می­شود، اما برای جلوگیری از تداخل با ویژگی قبل، از این نام استفاده نمی­کنیم) این گروه­ها، معمولا خوشه[32]، تشکل[33]، گروه­های به هم پیوسته [34]و یا ماژول[35]  نامیده می­شوند.

     

    Abstract

    CDBLC: Latent Community Discovery

    Based on Link and Content

    Community discovery in Social Networks (SNs) has a great usage in multiple scopes; therefore, it is an interesting investigation among researchers of many fields. Former researchs solely use topologocal information of SNs and neglecting other usefull informations which are available in the network. However, in many SNs, there are some user-generated data, like content of each user associated document, which can be used beside prior informations to explain communication,relationship and concern between users. In this pape, we use these informations to show that users who are closely link to each other will have similar work areas too. More specifically, we propose a community discovery model called CDBLC, which use a Bayesian approach to find communities based on link information of network, then by using the LDA tool try to transmit a user to a new community if her associated document's content is silimar to topics of the specified community. Accordingly, peoples in a common community have a similar work areas.In our model one user can belong to various communities and a community can include several people. Experiment results on Twitter as a real data set and a research paper citation data named Cota, demonstrate that the model can discover semantically meaningful communities.

     

    Keywords: Social Networks, Community, Community detection, Text mining

     

  • فهرست:

    فصل 1- مقدمه.. 7

    1-1- شبکه های اجتماعی.. 7

    1-2- تقسیمبندی شبکههای اجتماعی.. 9

    1-3- اهمیت شبکههای اجتماعی.. 10

    1-4- تحلیل شبکههای اجتماعی.. 11

    1-5- شبکهها و ویژگی آنها 11

    1-6- تشکلها در شبکههای اجتماعی.. 13

    1-7- اهمیت شناسایی تشکلها 16

    1-8- انگیزه از انجام این پایان نامه. 17

    1-9- نگاه کلی به فصول رساله. 19

    فصل 2- فصل دوم: مروری بر کارهای انجام شده. 21

    2-1- مقدمه. 21

    2-2- روشهای ارائه شده 22

    2-3- روشهای مبتنی بر لینک... 22

    2-3-1- بهینه کردن یک هدف سراسری.. 22

    2-3-2- بدون بهینه سازی هیچ معیاری.. 27

    2-3-3- روشهای مبتنی بر مدل.. 27

    2-4- روشهی مبتنی بر محتوا 29

    2-4-1- روش CUT. 29

    2-4-2- روش LTCA. 30

    فصل 3- ارائه راه حل و روشهای پیشنهادی... 32

    3-1- مقدمه. 32

    3-2- روش SBM... 34

    3-3- روش LDA.. 37

    3-4- روش پیشنهادی.. 40

    3-4-1- روش CDBLC.. 41

    3-5- جمعبندی.. 51

    فصل 4- نتایج... 53

    4-1- مقدمه. 53

    4-2- مجموعه دادهها 54

    4-2-1- مجموعه دادهی Cora. 54

    4-2-2- مجموعه دادهی Twitter 55

    4-3- معیارهای ارزیابی.. 56

    4-3-1- معیار Modularity. 57

    4-3-2- معیار Normalized Mutual Information. 58

    4-3-3- معیار Perplexity. 59

    4-4- نتایج و تحلیلها 60

    4-4-1- مجموعه دادهی Cora. 61

    فصل 5- بحث و نتیجه‌گیری... 67

    5-1- نتیجه گیری.. 67

    5-2- پیشنهادات برای کارهای آتی.. 71

    فهرست منابع.. 72

     

     

    منبع:

    [1]    B. A. Myers, “A brief history of human-computer interaction technology,” interactions, vol. 5, no. 2, pp. 44–54, 1998.

    [2]    R. Harper, T. Rodden, Y. Rogers, and A. Sellen, “Being Human: HCI in the Year 2020.,” 2008.

    [3]    N. B. Ellison, “Social network sites: Definition, history, and scholarship,” J. Comput. Commun., vol. 13, no. 1, pp. 210–230, 2007.

    [4]    S. Fortunato, “Community detection in graphs,” Phys. Rep., vol. 486, no. 3, pp. 75–174, 2010.

    [5]    H. Zhang, B. Qiu, C. L. Giles, H. C. Foley, and J. Yen, “An LDA-based community structure discovery approach for large-scale social networks,” in Intelligence and Security Informatics, 2007 IEEE, 2007, pp. 200–207.

    [6]    A. Celisse, J.-J. Daudin, and L. Pierre, “Consistency of maximum-likelihood and variational estimators in the stochastic block model,” Electron. J. Stat., vol. 6, pp. 1847–1899, 2012.

    [7]    X. Cheng, C. Dale, and J. Liu, “Statistics and social network of youtube videos,” in Quality of Service, 2008. IWQoS 2008. 16th International Workshop on, 2008, pp. 229–238.

    [8]    S. Wasserman and K. Faust, “Social network analysis in the social and behavioral sciences,” Soc. Netw. Anal. Methods Appl., vol. 1994, pp. 1–27, 1994.

    [9]    M. Faloutsos, P. Faloutsos, and C. Faloutsos, “On power-law relationships of the internet topology,” in ACM SIGCOMM Computer Communication Review, 1999, vol. 29, no. 4, pp. 251–262.

    [10]  D. J. Watts and S. H. Strogatz, “Collective dynamics of ‘small-world’networks,” Nature, vol. 393, no. 6684, pp. 440–442, 1998.

    [11]  S. Milgram, “The small world problem,” Psychol. Today, vol. 2, no. 1, pp. 60–67, 1967.

    [12]  J. Guare, Six degrees of separation: A play. Random House LLC, 1990.

    [13]  R. Albert, H. Jeong, and A.-L. Barabási, “Internet: Diameter of the world-wide web,” Nature, vol. 401, no. 6749, pp. 130–131, 1999.

    [14]  M. E. J. Newman, “The structure and function of complex networks,” SIAM Rev., vol. 45, no. 2, pp. 167–256, 2003.

    [15]  M. E. J. Newman, S. H. Strogatz, and D. J. Watts, “Random graphs with arbitrary degree distributions and their applications,” Phys. Rev. E, vol. 64, no. 2, p. 26118, 2001.

    [16]  M. E. J. Newman, “Detecting community structure in networks,” Eur. Phys. J. B-Condensed Matter Complex Syst., vol. 38, no. 2, pp. 321–330, 2004.

    [17]  L. Danon, A. Diaz-Guilera, J. Duch, and A. Arenas, “Comparing community structure identification,” J. Stat. Mech. Theory Exp., vol. 2005, no. 09, p. P09008, 2005.

    [18]  S. E. Schaeffer, “Graph clustering,” Comput. Sci. Rev., vol. 1, no. 1, pp. 27–64, 2007.

    [19]  J. Leskovec, D. Huttenlocher, and J. Kleinberg, “Predicting positive and negative links in online social networks,” in Proceedings of the 19th international conference on World wide web, 2010, pp. 641–650.

    [20]  T. Schank and D. Wagner, Approximating clustering-coefficient and transitivity. Universität Karlsruhe, Fakultät für Informatik, 2004.

    [21]  M. Girvan and M. E. J. Newman, “Community structure in social and biological networks,” Proc. Natl. Acad. Sci., vol. 99, no. 12, pp. 7821–7826, 2002.

    [22]  P.-O. Fjällström, “Algorithms for graph partitioning: A survey,” Linköping Electron. Artic. Comput. Inf. Sci., vol. 3, no. 10, 1998.

    [23]  M. E. J. Newman, “Modularity and community structure in networks,” Proc. Natl. Acad. Sci., vol. 103, no. 23, pp. 8577–8582, 2006.

    [24]  S. Zhang, R.-S. Wang, and X.-S. Zhang, “Identification of overlapping community structure in complex networks using fuzzy c-means clustering,” Phys. A Stat. Mech. its Appl., vol. 374, no. 1, pp. 483–490, 2007.

    [25]  M. E. J. Newman and M. Girvan, “Finding and evaluating community structure in networks,” Phys. Rev. E, vol. 69, no. 2, p. 26113, 2004.

    [26]  U. Brandes and T. Erlebach, Network analysis: methodological foundations, vol. 3418. Springer, 2005.

    [27]  B. W. Kernighan and S. Lin, “An efficient heuristic procedure for partitioning graphs,” Bell Syst. Tech. J., vol. 49, no. 2, pp. 291–307, 1970.

    [28]  M. E. J. Newman, “Spectral methods for community detection and graph partitioning,” Phys. Rev. E, vol. 88, no. 4, p. 42822, 2013.

    [29]  G. Palla, I. Derényi, I. Farkas, and T. Vicsek, “Uncovering the overlapping community structure of complex networks in nature and society,” Nature, vol. 435, no. 7043, pp. 814–818, 2005.

    [30]  H.-W. Shen, X.-Q. Cheng, and J.-F. Guo, “Exploring the structural regularities in networks,” Phys. Rev. E, vol. 84, no. 5, p. 56111, 2011.

    [31]  Z. Yin, L. Cao, Q. Gu, and J. Han, “Latent community topic analysis: Integration of community discovery with topic modeling,” ACM Trans. Intell. Syst. Technol., vol. 3, no. 4, p. 63, 2012.

    [32]  T. Yang, Y. Chi, S. Zhu, Y. Gong, and R. Jin, “Detecting communities and their evolutions in dynamic social networks—a Bayesian approach,” Mach. Learn., vol. 82, no. 2, pp. 157–189, 2011.

    [33]  E. M. Airoldi, D. M. Blei, S. E. Fienberg, E. P. Xing, and T. Jaakkola, “Mixed membership stochastic block models for relational data with application to protein-protein interactions,” in Proceedings of the international biometrics society annual meeting, 2006, p. I5.

    [34]  P. W. Holland, K. B. Laskey, and S. Leinhardt, “Stochastic blockmodels: First steps,” Soc. Networks, vol. 5, no. 2, pp. 109–137, 1983.

    [35]  J. M. Hofman and C. H. Wiggins, “Bayesian approach to network modularity,” Phys. Rev. Lett., vol. 100, no. 25, p. 258701, 2008.

    [36]  D. M. Blei, A. Y. Ng, and M. I. Jordan, “Latent dirichlet allocation,” J. Mach. Learn. Res., vol. 3, pp. 993–1022, 2003.

    [37]  D. Li, B. He, Y. Ding, J. Tang, C. Sugimoto, Z. Qin, E. Yan, J. Li, and T. Dong, “Community-based topic modeling for social tagging,” in Proceedings of the 19th ACM international conference on Information and knowledge management, 2010, pp. 1565–1568.

    [38]  S. Wasserman, Social network analysis: Methods and applications, vol. 8. Cambridge university press, 1994.

    [39]  M. E. J. Newman, “The mathematics of networks,” new palgrave Encycl. Econ., vol. 2, pp. 1–12, 2008.

    [40]  Y. Gong and W. Xu, Machine learning for multimedia content analysis, vol. 30. Springer, 2007.

    [41]  W. Xu and Y. Gong, “Document clustering by concept factorization,” in Proceedings of the 27th annual international ACM SIGIR conference on Research and development in information retrieval, 2004, pp. 202–209.

    [42]  A. Lancichinetti, S. Fortunato, and J. Kertész, “Detecting the overlapping and hierarchical community structure in complex networks,” New J. Phys., vol. 11, no. 3, p. 33015, 2009.

    [43]  L. Azzopardi, M. Girolami, and K. van Risjbergen, “Investigating the relationship between language model perplexity and IR precision-recall measures,” in Proceedings of the 26th annual international ACM SIGIR conference on Research and development in informaion retrieval, 2003, pp. 369–370.

    [44]  N. Coccaro and D. Jurafsky, “Towards better integration of semantic predictors in statistical language modeling.,” in ICSLP, 1998.

    [45]  T. L. Griffiths and M. Steyvers, “Finding scientific topics,” Proc. Natl. Acad. Sci. U. S. A., vol. 101, no. Suppl 1, pp. 5228–5235, 2004. 


تحقیق در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , مقاله در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , پروژه دانشجویی در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , پروپوزال در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , تز دکترا در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , تحقیقات دانشجویی درباره پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , مقالات دانشجویی درباره پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , پروژه درباره پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , گزارش سمینار در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , پروژه دانشجویی در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , تحقیق دانش آموزی در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , مقاله دانش آموزی در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا , رساله دکترا در مورد پایان نامه شناسایی تشکل های پنهان بر اساس لینک و محتوا

مقطع کارشناسی ارشد ناپیوسته رشته مهندسی کامپیوتر چکیده امروزه محبوبیت سایت های شبکه های اجتماعی در بین افراد غیر قابل انکار است، سایت هایی که امکانات زیادی را برای ارتباطات بین افراد در اختیار کاربران قرار می دهند. یکی از مشکلات اساسی در آنالیز این نوع شبکه ها پیش بینی ارتباطات جدید بین افراد شبکه می باشد. روش فازی به عنوان یکی از روش های مطرح در هوش مصنوعی، راه ساده ای را برای ...

پایان نامه­ ی کارشناسی ارشد در رشته­ی مهندسی کامپیوتر- هوش مصنوعی چکیده شناسایی تشکل های همپوشان در شبکه های پویا بسیاری از ساختارهای پیچیده طبیعی و اجتماعی را می‌توان به صورت شبکه[1] در نظر گرفت. جاده‌ها، پایگاه‌های اینترنتی، شبکه های اجتماعی، ارتباطات سازمانی، روابط خویشاوندی، تبادل نامه‌های الکترونیک، تماس‌های تلفنی و تراکنش‌های مالی تنها چند نمونه از این شبکه‌ها هستند. ...

پایان‌نامه کارشناسی ارشد در رشته مهندسی کامپیوتر (هوش مصنوعی) چکیده شناسایی نفوذگران در یک شبکه اجتماعی در سال­های اخیر با گسترش شبکه ­های کامپیوتری و افزایش دسترسی افراد به آن، این بستر اطلاعاتی به شکل فزاینده­ای دستخوش نفوذ، سوءاستفاده و حمله گردیده است. عواملی از قبیل منافع مالی، اهداف سیاسی یا نظامی و نیز مقاصد شخصی سبب افزایش حوادث امنیتی در سیستم­های اطلاعاتی می­گردد. در ...

پایان‌نامه تحصیلی در مقطع کارشناسی ارشد تبلیغ و ارتباطات فرهنگی چکیده پژوهش حاضر رابطه استفاده از شبکه‌های اجتماعی و هویت دینی کاربران را با هدف شناخت رابطه میان ویژگی‌های فردی کاربران و عوامل سیاسی و اجتماعی با هویت دینی آنها و در پی پاسخ به این پرسش اساسی که شبکه‌های اجتماعی مجازی چه آثار و پیامدهایی بر هویت کاربران دارند با استفاده از روش پیمایشی مورد مطالعه قرار داده است. ...

پايان نامه (يا رساله) براي دريافت درجه کارشناسي ارشد. در رشته معماري گرايش معماري بهمن 93 چکيده :      از آنجايي که ايجاد فضاهاي چند منظوره و چند عملکردي در 

پایان نامه به عنوان یکی از الزامات جهت دریافت درجه کارشناسی ارشد چکیده: پیش‌بینی سری‌های زمانی یکی از شاخه های علم آمار و احتمال است که در سایر رشته‌ها مانند اقتصاد، مهندسی ارتباطات، هواشناسی، مدیریت و بازاریابی کاربرد فراوانی دارد. دامنه کاربرد پیش‌بینی سری‌های زمانی روزبه‌روز گسترده‌تر شده و نیاز دانش‌پژوهان در این زمینه افزون‌تر می‌گردد. سری‌های‌ زمانی آشوبی، زیرمجموعه‌ای از ...

پایان‌نامه برای دریافت درجه کارشناسی ارشد(M.A) چکیده پژوهش حاضر بررسی رابطه بین استفاده از شبکه‌های اجتماعی و گرایش دینی کاربران عضو شبکه های اجتماعی را با استفاده از روش پیمایشی مورد مطالعه قرار داده است. این پژوهش در دانشکده هنر های زیبا دانشگاه تهران و در بین دانشجویان رشته­ها و دوره­های مختلف تحصیلی این دانشکده انجام گرفته است. تحلیل یافته‌های این مطالعه که گرایش دینی ...

پایان نامه تحصیلی جهت اخذ درجه کارشناسی ارشد رشته: مدیریت بازرگانی گرایش: بیمه چکیده: امروزه اجرای اتوماسیون اداری مزایای بسیاری را برای سازمان ها از جمله مشتریان شان فراهم نموده است. سرعت، دقت، ایمنی و ... از این مزایای اند. هدف تحقیق حاضر بررسی اثر اتوماسیون اداری بر رضایت مشتریان سازمان تامین اجتماعی استان گیلان است. روش تحقیق از نوع توصیفی- پیمایشی از نوع همبستگی است. جامعه ...

چکيده   در يک محيط صنعتي توزيع شده، کارخانه هاي مختلف و داراي ماشين ها و ابزارهاي گوناگون در مکان هاي جغرافيايي مختلف غالبا به منظور رسيدن به بالاترين کارايي توليد ترکيب مي شوند. در زمان ت

پایان نامه برای دریافت درجه کارشناسی ارشد (M.A) گرایش : " تولید" چکیده: سازمان ها باید در شرایطی به بقاء و حیات خود ادامه دهند که جهان با تغییرات سریع و عمده همراه است . در این شرایط مدیریت دانش به عنوان یک منبع مهم در زمینه ایجاد مزیت رقابتی شمرده می شود. چرا که سازمان ها باید محیطی برای تسهیم، انتقال و تبادل دانش در میان اعضاء به وجود آورند و افراد را، در جهت با مفهوم کردن ...

ثبت سفارش