عنوان

شناسایی جوامع در شبکه های اجتماعی بر اساس شیوه های یادگیری خود نظارتی

شماره

پ۲۷۷۴۵

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

شناسایی جوامع در شبکه های اجتماعی بر اساس شیوه های یادگیری خود نظارتی

نام نخستين پديدآور

آیدا ولی پور شکوهی

نام ناشر، پخش کننده و غيره

برق و کامپیوتر(پردیس)

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۶۰ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی کامپیوتر، گرایش نرم افزار

زمان اعطا مدرک

۱۴۰۰/۱۱/۳۰

متن يادداشت

تجزیه و تحلیل شبکه¬های اجتماعی ابزاری مهم است که می-تواند در بسیاری از حوزه¬ها مورد استفاده قرار گیرد. در میان الگوریتم¬ها و ابزارهای تجزیه و تحلیل شبکه-های اجتماعی، ساختار جامعه را پیدا می¬کنیم. بسیاری از الگوریتم¬های تشخیص ساختار جامعه بیش از گذشته توسعه یافته است، اما اکثر آنها از پیچیدگی محاسباتی بالایی برخوردارند. در این مقاله ما یک رویکرد جدید برای یافتن ساختار جامعه در شبکه¬ها پیشنهاد می¬کنیم. رویکرد ما پایدار، دقیق و مؤثر برای یافتن ساختار جامعه در شبکه¬هایی با پیوند بین جامعه بالاتراست. یادگیری بدون نظارت نوعی یادگیری ماشینی است که به دنبال الگوهای قبلاً کشف نشده در یک مجموعه داده بدون برچسب قبلی و با حداقل نظارت انسان است. امکان مدل-سازی تراکم احتمال را نسبت به ورودی¬ها فراهم می¬کند. ما این روش را در شبکه¬های رایانه¬ای و دنیای واقعی تولید شده آزمایش کرده¬ایم. در روش ارائه شده ابتدا جوامع را با یادگیری خودنظارتی دسته¬بندی می¬کنیم و سپس جوامع را به صورت جداگانه با الگوریتم ژنتیک دسته¬بندی می‌کنیم و در ادامه با ترکیب روش خودنظارتی با الگوریتم ژنتیک، روش جدیدی را بدست می¬آوریم و نشان می¬¬دهیم که این ترکیب می¬تواند باعث بهبود نتایج شود. مقایسه بین روش ما و برخی از روشهای شناخته شده در شناسایی جامعه انجام شده، نشان می¬دهد که روش ما در یافتن جوامع در شبکه¬ها و ذخیره پیچیدگی زمانی بسیار مؤثر است. در یادگیری بدون نظارت تنها اطلاعاتی درباره داده¬ها در اختیار یادگیرنده قرار می‌گیرد و یادگیرنده بایستی در داده‌ها به دنبال ساختاری خاص بگردد.

متن يادداشت

Social media analysis is an important tool that can be used in many areas. Among the algorithms and tools of social network analysis, we find the structure of society. Many community structure recognition algorithms are more advanced than ever, but most have high computational complexity. In this paper, we propose a new approach to finding community structure in networks. Our approach is stable, accurate and effective in finding the structure of society in networks with higher interconnectedness. Unsupervised learning is a type of machine learning that seeks previously undiscovered patterns in a previously unlabeled dataset with minimal human supervision. Allows probability density modeling relative to inputs. We have tested this method in computer networks and real-world production. In the proposed method, we first categorize communities by learning self-monitoring and then classify communities separately by genetic algorithm, and then by combining self-monitoring method with genetic algorithm, we obtain a new method and show.We show that this combination can improve the results. A comparison between our method and some of the known methods in community identification shows that our method is very effective in finding communities in networks and storing time complexity. In unsupervised learning, only information about the data is provided to the learner and the learner must look for a specific structure in the data.

عنوان گونه گون

Detecting communities in social networks based on self-supervised learning

عنصر شناسه اي

‏ولی پور شكوهی،

عنصر شناسه اي

‏صالح پور،

عنصر شناسه اي

‏‏فیضی درخشی،

ساير عناصر نام

آیدا

ساير عناصر نام

‏پدرام

ساير عناصر نام

‏محمدرضا

کد نقش

تهیه کننده

کد نقش

استاد راهنما

کد نقش

استاد مشاور

عنصر شناسه اي

تبریز