CD: Community Detection

CD: Community Detection

تشخیص انجمن
CD: Community Detection

CD: Community Detection

تشخیص انجمن

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

مروری بر روش های مدلسازی همپوشانی در الگوریتم های انجمن یابی شبکه های اجتماعی

شبکۀ اجتماعی شامل تعدادی از اشخاص است که بهواسطۀ یک یا چند نوع از روابط یا اشتراکات، با یکدیگر ارتباط دارند. پیدایش و رشد این شبکه ها در فضای مجازی و استفادۀ روزافزون از آنها، باعث شده است تحلیل شبکه های اجتماعی بهعنوان یک حوزۀ تحقیقاتی پرمخاطب و میان رشتهای مطرح باشد. هر انجمن شامل چند عضو شبکۀ اجتماعی است که با توجه به نحوۀدسته بندی اعضای شبکه تعیین میشود. مطالعۀ انجمن ها، مبحثی مهم و کلیدی در تحلیل شبکه های اجتماعی است که ویژگی ها و الگوهای مشخّص یا مخفی در الیه های یک شبکه را نمایان میسازد و موجبات درک بهتر ساختار و رفتار آن را فراهم میکند. در این مقاله، ابتدا الگوریتم های انجمن یابی بر اساس رویکرد آنها به شکل گیری انجمن و نیز مدلسازی مفهوم همپوشانی )امکان تعلق همزمان اعضا به دو یا چند انجمن( در شش دسته شامل روشهای طیفی و مرکزگرایی، تابع کیفیت )چگالی(، انتشار برچسب، ساختار، نزدیکی و دسته بندی یالها، طبقه بندی و بررسی شده اند. در ادامه، روشهای انجمن یابی روی چهار دادگان با ساختار متفاوت، پیاده سازی و مقایسه شده اند. نتایج حاصل از معیارهای ارزیابی کیفیت روی چهار دادگان انتخابی، حاکی از آن است که هر روش بر روی توپولوژی و ویژگی خاصی بهتر عمل میکند؛ بنابراین هیچ روشی نمیتواند به عنوان بهترین روش انجمنیابی برای تمام شبکه ها مطرح باشد.

لینک مقاله