در اکثر شبکه های اجتماعی، اطلاعات موضوعی و محتوایی بسیار ارزشمندی وجود دارد، مانند پروفایل کاربران، متن ارسالی بین کاربران، مقالات نوشته شده توسط کاربران، توضیح یک موضوع قرار داده شده در شبکه و غیره. با قرار دادن این اطلاعات و داده ها در کنار اطلاعات قبلی میتوان روابط موجود در شبکه را تفسیر کرد یا روابط جدید را پیش بینی نمود.
وجود این اطلاعات در شبکه ها و عدم استفاده مفید از آنها، ما را بر آن داشت تا در این پایان نامه از هر دو نوع داده ها استفاده کنیم و چارچوبی را پیشنهاد کنیم که در آن مدل کردن عناوین در شناسایی تشکلها دخیل شده و تشکلهای معنادار تری کشف میشوند. با بهره گرفتن از این چارچوب کاربران حاظر در تشکلهای یکسان علاقهمند به کار کردن در یک حوزه کاری هستند و در هر تشکل نیز وابستگی و یکپارچگی محتوایی وجود دارد.
در این پایان نامه برای حل مسئله تشخیص تشکلها، روش CDBLC در دو فاز ارائه شد. فاز اول این روش با بهره گرفتن از روش مبتنی بر مدل، گراف لینک شبکه را در تشکلهای مختلف جای میدهد. در فاز دوم با اعمال روشهای پیمایش متن، کاربران به نحوی جا به جا میشوند که در هر تشکل، موضوع کاری کاربران آن تشکل در حوزه های شبیه به هم قرار گیرند.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
آزمایشات نشان دادهاند که روش CDBLC نسبت به روش LDA که برای خوشه بندی داده های متنی استفاده می شود بهتر عمل می کند.
پیشنهادات برای کارهای آتی
برای کارهای آتی ما پیشنهادات زیر را ارائه میکنیم. چارچوب ارائه شده را میتوان به نحوی تعمیم داد که قابل اجرا بر روی شبکه های اجتماعی پویا نیز باشد. همچنین در سایتهای شبکه های اجتماعی علاوه بر داده های متنی چندین نوع دادهی دیگر نیز وجود دارد، مثل تصاویر، صداها و موسقیها، فیلمهای ویدیویی و اطلاعات فضایی[۱۹۱]. میتوان برای مطالعات بیشتر این اطلاعات به چارچوب پیشنهادی در این پایان نامه وارد کرد.
فهرست منابع
[۱] B. A. Myers, “A brief history of human-computer interaction technology,” interactions, vol. 5, no. 2, pp. 44–۵۴, ۱۹۹۸٫
[۲] R. Harper, T. Rodden, Y. Rogers, and A. Sellen, “Being Human: HCI in the Year 2020.,” ۲۰۰۸٫
[۳] N. B. Ellison, “Social network sites: Definition, history, and scholarship,” J. Comput. Commun., vol. 13, no. 1, pp. 210–۲۳۰, ۲۰۰۷٫
[۴] S. Fortunato, “Community detection in graphs,” Phys. Rep., vol. 486, no. 3, pp. 75–۱۷۴, ۲۰۱۰٫
[۵] 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. 200–۲۰۷٫
[۶] 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. 1847–۱۸۹۹, ۲۰۱۲٫
[۷] 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. 229–۲۳۸٫
[۸] S. Wasserman and K. Faust, “Social network analysis in the social and behavioral sciences,” Soc. Netw. Anal. Methods Appl., vol. 1994, pp. 1–۲۷, ۱۹۹۴٫
[۹] 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. 251–۲۶۲٫
[۱۰] D. J. Watts and S. H. Strogatz, “Collective dynamics of ‘small-world’networks,” Nature, vol. 393, no. 6684, pp. 440–۴۴۲, ۱۹۹۸٫
[۱۱] S. Milgram, “The small world problem,” Psychol. Today, vol. 2, no. 1, pp. 60–۶۷, ۱۹۶۷٫
