کاهش درهمریختگی گرافهای شبکههای اجتماعی با استفاده از دستهبندی لبه مبتنی بر تصویر
نام نخستين پديدآور
/روشنک عدل پور آذر
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی برق و کامپیوتر
تاریخ نشرو بخش و غیره
، ۱۳۹۶
نام توليد کننده
، راشدی
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی کامپیوتر گرایش نرم افزار
زمان اعطا مدرک
۱۳۹۶/۰۶/۲۰
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
امروزه به دلیل افزایش شبکههای اجتماعی و افزایش اطلاعات، نیاز به ابزارهایی برای نمایش اطلاعات هست .یکی از روشهای سازماندهی و نمایش اطلاعات گرافها میباشد .گراف، تجسیم داده انتزاعی جهت تقویت درک بشری است .گرافها نیز به دلیل حجم زیاد اطلاعات با مشکل درهمریختگی روبرو هستند و یالها و گرهها درهم تنیده شده و نمی توان اطلاعات لازم را از آنها کسب کرد .بنابراین باید به دنبال راه حلی برای این مشکل بود و یکی از روشهای حل درهمریختگی در تجسم گراف، کاهش درهمریختگی در گرافها میباشد .در این پایاننامه روشی نوین برای کاهش درهمریختگی و همپوشانی یالها در گرافهای شبکههای اجتماعی ارائه گردیده است .روش پیشنهادی در سه مرحله ارائه شده است .ابتدا، بر روی دیتاست خام که فقط گرهها و ارتباطات مابین آنها موجود هست، عملیات خوشهبندی انجام میپذیرد .برای خوشهبندی از الگوریتم ژنتیک استفاده شده است .در الگوریتم ژنتیک برای به دست آوردن مقدار تابع ارزیابی، گرههای موجود در خوشههای متفاوت با در نظر گرفتن گرههای مرتبط محاسبه میشوند .با تکرار عملیات فوق یالهای داخل خوشهها بیشینه و همچنین یالهای مابین خوشهها کمینه میشود .در مرحلهی دوم گرهها مکانیابی میشوند .برای مکانیابی ابتدا، گرههایی که مابین خوشهها دارای یال میباشند ارزشگذاری)مقداردهی (میشوند .بعد، به تعداد خوشهها مرکز تعیین شده و چیدمان گرهها حول مرکز براساس شدت ارتباط مابین خوشهها و داخل خوشهها انجام میپذیرد .شدت ارتباط مابین خوشهها و داخل خوشهها در قسمت ارزشگذاری گرهها تعیین میشود .در مرحلهی آخر، یالهای مابین خوشهها با استفاده از رابطه هذلولی پوانکاره با مرکزیت نقطهی میانی خوشهها دستهبندی میشوند .در این مرحله، هر دسته از یالها با رنگهای ترکیبی با در نظر گرفتن تعداد یالهای مابین خوشهها نمایش داده میشوند .آزمایشها بر روی دیتاست محقق ساخته و نیز دیتاستهای واقعی دلفین و ویکی وت تست شده است .ارزیابی با معیار چشمی بر روی نتایج به دست آمده نشان میدهد که روش ارائه شده در مقایسه با الگوریتمهای موجود به لحاظ کاهش درهمریختگی و بار محاسباتی تجسم، بهتر عمل میکند
متن يادداشت
Todays, because of increasing social networks and also information, it is needed to use some kind of tools to represent information. One of the methods of organizing and representing information is just graphs. Graph is an abstract data representation in order to improve human perception. Graphs are also encountered clutter problems because of the high volume of information, so nodes and edges are intertwined and it is not possible to get the required information from. Therefore, it is required to find a solution to such a problem and one of the method of solving clutter in graph visualization is to reduce the clutter in graphs. In this thesis, a new method is presented in order to reduce clutter and overlapping in edges of social network graphs. The proposed method is provided in three steps. First, clustering is applied on the raw dataset in which nodes and relationships between them are existed. Clustering is implemented using the genetic algorithm. For finding the fitness value in genetic algorithm, the nodes in different clusters are calculated considering the related nodes. By repeating this operation, the edges within the clusters are maximized and the edges between the clusters are minimized. Second, nodes are positioned. In positioning nodes, the nodes which have edges between clusters, are weighted first. Then, centers are determined according to the number of clusters and node layouts around the center are happened based on the relationship intensity between clusters and within clusters. The relationship intensity between clusters and within clusters is determined in the weighting section of the nodes. In the last step, the edges between clusters are bundled using the Poincare Hyperbolic equation with the centrality of midpoint of clusters. In this step, each bundle of edges is represented using the combined colors considering the number of edges between clusters. Experiments were tested on a dummy dataset and the real datasets Dolphin and Wiki Vote. The ocular assessments demonstrate that the proposed method has better results from the point of clutter reduction and computation of visualization in contrast to the present algorithms
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )