ارائه الگوریتم سه مرحله ای جهت تشخیص اجتماعات در شبکه های اجتماعی
دانلود پروپوزال | |||
|---|---|---|---|
| عنوان فارسی پروپوزال | ارائه الگوریتم سه مرحله ای جهت تشخیص اجتماعات در شبکه های اجتماعی | ||
| عنوان انگلیسی پروپوزال | Providing a three stage Algorithm for Identifying Communities in Social Networks | ||
| تعداد صفحات | ۲۳ | ||
| سال نگارش | ۲۰۲۰ | ||
| رشته | کامپیوتر | ||
| قالب فایل | Word | ||
| مقاله بیس | دارد | ||
| دانلود پروپوزال | کلیک جهت دانلود پروپوزال | ||
فهرست مطالب پروپوزال ارائه الگوریتم سه مرحله ای جهت تشخیص اجتماعات در شبکه های اجتماعی
- بیان مساله اساسی تحقیق شبکه های اجتماعی
- اهمیت و ضرورت انجام تحقیق
- مرور ادبیات و سوابق مربوطه
- جنبه جدید بودن و نوآوری در تحقیق
- اهداف مشخص تحقیق
- سؤالات تحقیق
- فرضیه های تحقیق
- روش شناسی تحقیق
- متغیرهای مورد بررسی در قالب یک مدل مفهومی
- شرح کامل روش (میدانی، کتابخانهای) و ابزار
- جامعه آماری، روش نمونه گیری و حجم نمونه
- روش‌ها و ابزار تجزیه و تحلیل داده ها کشف تقلب
- مراجع
بیان مساله
شبکه های اجتماعی، نسل جدیدی از وب سایت ها هستندکه این روزها در کانون توجه کاربران شبکه جهانی اینترنت قرار گرفته اند. این گونه سایت ها بر مبنای تشکیل اجتماعات آنلاین فعالیت می کنند و هر کدام، دسته ای از کاربران اینترنتی با ویژگی خاصی را گرد هم می آورند.شبکه های اجتماعی را گونه ای از رسانه های اجتماعی می دانند که امکان دستیابی به نحوه جدیدی از برقراری ارتباط و به اشتراک گذاری محتوا در اینترنت را فراهم آورده اند. شبکه اجتماعی مفهومی است که پیش از طرح در عرصه فضای مجازی، در فضای واقعی جوامع نیز دارای مفهوم می باشد. شبکه اجتماعی مجازی مثل هر شبکه اجتماعی از اجتماع و روابط انسان ها در اجتماع تشکیل شده است.
در ابتدا دو شخص که با یکدیگر رابطه شغلی دارند را در نظر بگیرید که هر کدام در همان زمان با شخص دیگری ارتباط عاطفی خانوادگی، خانوادگی، تجاری و … دارند و در مرحله بعد باز هر کدام از این افراد که با دو نفر اول ارتباط دارند با اشخاص دیگری ارتباطات دیگری دارند و این زنجیره ارتباطات مسلسل وار تکرار می شود، که به هر کدام از این ارتباط ها یک گره گفته می شود و تعداد این گره ها اندازه یک شبکه اجتماعی را نمایش می دهد.
شبکه های اجتماعی
آنالیز شبکه های اجتماعی علاوه بر سرو کار داشتن با اشخاص (افراد، سازمانها) به عنوان واحدهای گسسته تحلیل، بر روی چگونگی ساختار رشته ها که اشخاص و روابط میان آن ها را تحت تاثیر قرار می دهد نیز تمرکز می کند. شکل یک شبکه اجتماعی به تعیین میزان سودمندی شبکه برای افراد آن شبکه کمک می کند. به طور جزئی شبکه های محکم برای اعضایشان نسبت به شبکه هایی که تعداد زیادی اتصالات ضعیف برای افراد خارج از شبکه اصلی دارند، کمتر مفید واقع می شوند.
بیشتر شبکه های باز با اتصالالت اجتماعی و رشته های ضعیف، شانس بیشتری برای دسترسی به ایده ها و دست آوردهای جدید نسبت به شبکه های بسته به رشته های طویل فراهم می آورد. به بیان دیگر گروهی از دوستان که تنها دارای ارتباط با یکدیگر هستند، اطلاعات و دستاوردهای یکسانی را به اشتراک می گذارند. اما گروهی از افراد که دارای ارتباط با بخش های اجتماعی دیگر هستند شانس بیشتری برای دسترسی به محدوده وسیع تری از اطلاعات دارند. افراد برای دستیابی به موفقیت بهتر است که با شبکه های گوناگونی ارتباط داشته باشند تا اینکه ارتباط زیادی درون یک شبکه داشته باشند. به طور مشابه افراد می توانند تاًثیرگذاری و ایفای نقش به عنوان واسطه در برقراری ارتباط بین دو شبکه که به هم متصل نیستند را تمرین کنند.
در این تحقیق ، ما یک الگوریتم سه مرحله ای برای شناسایی اجتماعات بر اساس اطلاعات محلی و ارائه می دهیم. سه مرحله شامل شناسایی گره های مرکزی ، گسترش برچسب و ترکیب اجتماعات است. گره های مرکزی با توجه به فاصله بین آنها شناسایی می شوند. گسترش برچسب عبارت است از برچسب گذاری گره های همرنگ زمانی که گره ها حداکثر شباهت با یکدیگر را دارا هستند. ترکیب اجتماعات نیز ادغام دو اجتماع در یک اجتماع است.
برخی از مراجع
- Parand, F. A., Rahimi, H., & Gorzin, M. (2016). Combining fuzzy logic and eigenvector centrality measure in social network analysis. Physica A: Statistical Mechanics and its Applications, 459, 24-31.
- Khatoon, M., & Banu, W. A. (2015). A survey on community detection methods in social networks. International Journal of Education and Management Engineering, 5(1), 8.
- Sun, H., Liu, J., Huang, J., Wang, G., Yang, Z., Song, Q., & Jia, X. (2015). CenLP: A centrality-based label propagation algorithm for community detection in networks. Physica A: Statistical Mechanics and its Applications, 436, 767-780.
- Ji, T., Luo, C., Guo, Y., Wang, Q., Yu, L., & Li, P. (2020). Community Detection in Online Social Networks: A Differentially Private and Parsimonious Approach. IEEE Transactions on Computational Social Systems, 7(1), 151-163.
- Moscato, V., Picariello, A., & Sperlí, G. (2019). Community detection based on Game Theory. Engineering Applications of Artificial Intelligence, 85, 773-782.
- Messaoudi, I., & Kamel, N. (2019). A multi-objective bat algorithm for community detection on dynamic social networks. Applied Intelligence, 49(6), 2119-2136