توسعه روش طبقه بندی دیتاست های نامتوازن با استفاده از الگوریتم های تکاملی چندهدفه

طبقه بندی داده ها از مباحث اساسی علم مدیریت است که از رویکردهای مختلفی مورد بررسی قرار گرفته است. روش های هوش مصنوعی از مهمترین روش های طبقه بندی هستند که اغلب آنها تابع دقت کل را در ارزیابی عملکرد مد نظر قرار می دهند. از آنجاییکه در دیتاست های نامتوازن, این تابع, هزینه خطاهای پیش بینی را یکسان در نظر می گیرد, در این پژوهش علاوه بر تابع دقت کل, از تابع حساسیت نیز به منظور افزایش دقت در هر یک از کلاس های از پیش تعریف شده, استفاده شده است. به علاوه, بدلیل پیچیدگی فرآیند کسب اطلاعات از تصمیم گیرنده, از الگوریتم فرا ابتکاری NSGA II جهت استنتاج مقادیر پارامترها, (بردار وزن و سطوح برش بین کلاس ها) استفاده گردیده است. در هر تکرار, الگوریتم با استفاده از بردار وزن برآورد شده و دیتاست ها, امتیاز هر آلترناتیو را با تابع Sum Product محاسبه نموده و در مقایسه با سطوح برش تخمینی, آن آلترناتیو را به یکی از دسته ها تخصیص می دهد. سپس با استفاده از توابع برازش, دسته تخمینی و دسته واقعی را مقایسه نموده و این فرایند تا بهینه سازی پارامترها ادامه می یابد. مقایسه نتایج الگوریتم های NSGA II و NRGA, نشان دهنده کارایی بالای الگوریتم ارائه شده است

لینک دانلود: توسعه روش طبقه بندی دیتاست های نامتوازن با استفاده از الگوریتم های تکاملی چندهدفه

روش توزیعی تشخیص انجمن در شبکه های اجتماعی بزرگ بر اساس انتشار برچسب

تشخیص انجمن های هم پوشان در شبکه های اجتماعی بسیار بزرگ با عامل های هوشمند یک مساله سخت و مهم است که قدرت تشخیص و تحلیل آن شبکه ها را از حالت بی درنگ برخط خارج می کند. همپوشانی انجمن ها در کنار افزایش ابعاد و ارتباطات این شبکه ها به چالش های پیچیدگی زمان زیاد جستجوی انجمن ها و افزایش طاقت فرسای حافظه مصرفی منجر می شود که از قابلیت کنترل سریع آن ها می کاهد. ارایه روش های توزیعی مقیاس پذیر تصادفی و عامل گرا, بر اساس انتشار برچسب در شبکه های بسیار بزرگ و پیچیده به کاهش زمان جستجو و تسریع تشخیص کمک می کند. این مقاله روش توزیعی نوین مقیاس پذیر عامل گرا برای تشخیص انجمن های هم پوشان بر اساس انتشار برچسب توانسته با محدودسازی انتشار پیام و استفاده از معیارهای جدید بر روی معماری چندهسته ای, به پیچیدگی خطی زمان اجرا و حافظه مصرفی دست یابد. روش پیشنهادی با آزمون بر روی مجموعه داده های بسیار بزرگ شبکه های اجتماعی, از نظر زمان اجرا در شبکه های بزرگ تا 9 برابر تسریع و از نظر پیمانه ای از %3 تا %100 بهبود دارد و در یافتن انجمن های هم پوشان بسیار دقیق و سریع عمل می کند.

لینک دانلود مقاله:  روش توزیعی تشخیص انجمن در شبکه های اجتماعی بزرگ بر اساس انتشار برچسب

تفاوت association با Community

تفاوت اصلی بین مفهوم "association" و "community" در ارتباط با شبکه‌ها یا گراف‌ها به شرح زیر است:

Associationیا ارتباط: به رابطه و اتصال بین دو یا چند عنصر در یک شبکه یا ساختار گرافی اشاره دارد. این مفهوم به نحوه‌ی ارتباط یا ارتباطات بین عناصر می‌پردازد، بدون ارائه‌ی هرگونه تعریف خاصی از گروه یا جامعه.

Communityیا جامعه: به مجموعه‌ای از عناصر درون یک شبکه یا گراف که با یکدیگر ارتباطات نزدیکی دارند و به صورت گسترده‌تر با یکدیگر ارتباط برقرار می‌کنند، اشاره دارد. این عناصر معمولاً درون یک گروه خاص مشخص می‌شوند و می‌توانند با توجه به ویژگی‌های مختلف مشترک، به عنوان یک جامعه یا انجمن تشخیص داده شوند

در کل  associationبه رابطه و اتصال بین عناصر در یک شبکه اشاره دارد، در حالی که "community" به گروه‌های عناصر مشابه یا مرتبط درون یک شبکه می‌پردازد که ارتباطات نزدیکی با یکدیگر دارند و به صورت جامعه‌ای در نظر گرفته می‌شوند.

بطور کلی association به ارتباطات و روابط میان عناصر یک شبکه یا گراف اشاره دارد. این ارتباطات ممکن است براساس معیارهای مختلفی مانند وابستگی، همبستگی یا تقارن بین دو یا چند عنصر تعریف شود. به عنوان مثال، ارتباطات بین کاربران در شبکه‌های اجتماعی مانند دنبال کردن یکدیگر، لایک کردن یا ارسال پیام‌ها ممکن است نمونه‌هایی از ارتباطات یاassociation باشند.

به عنوان مقابل، "community" یا "جامعه" به گروه‌هایی از عناصر داخل یک شبکه یا گراف اشاره دارد که این عناصر به علت ویژگی‌های مشترک یا روابط نزدیک با یکدیگر، به صورت یک واحد تشخیص داده می‌شوند. این گروه‌ها یا انجمن‌ها می‌توانند با توجه به تحلیل شبکه‌ای، خوشه‌بندی روابط، محتوای مشترک یا حتی نقش‌های مشابه تشخیص داده شوند.

به عنوان مثال، در شبکه‌های اجتماعی، افرادی که با یکدیگر در ارتباطات نزدیکی هستند، نه تنها ممکن است association داشته باشند به عنوان مثال، دو نفر که یکدیگر را دنبال می‌کنند، بلکه ممکن است به عنوان یک انجمن یا جامعه در نظر گرفته شوند اگر ویژگی‌های مشترک بیشتری نیز داشته باشند، مثلاً علایقیا فعالیت‌های مشابه.

الگوریتم هایassociation

الگوریتم‌هایassociation معمولاً برای کشف الگوها، روابط و ارتباطات بین داده‌ها استفاده می‌شوند. این الگوریتم‌ها به عنوان ابزارهایی برای کشف قوانینیا الگوهای مخفی در داده‌ها، مانند قوانین خریداری همزمان، تحلیل جریان‌های کاربری، پیش‌بینی عملکرد و... عمل می‌کنند.

چندین الگوریتم برای کشف این ارتباطات و الگوها وجود دارد. برخی از معروف‌ترین الگوریتم‌هایAssociation عبارتند از: