Index
ورود کاربر
Telegram RSS ارسال به دوستان نسخه چاپی ذخیره خروجی XML خروجی متنی خروجی PDF
کد خبر : 174279
تاریخ انتشار : 11 مرداد 1393 0:0
تعداد مشاهدات : 60

دانشمند ایرانی یک مدل جدید در تکنیک های تحلیل شبکه های اجتماعی طراحی کرد

تهران - ایرنا- فعالیت های انجام شده در آزمایشگاه تحلیل شبکه های پیچیده دانشکده کامپیوتر دانشگاه صنعتی شریف تحت سرپرستی دکتر مهدی جلیلی اخیرا منجر به ارائه مدلی جدید برای پیش بینی شبکه ارتباطی بین کاربران در شبکه های اجتماعی شد. به گزارش ایرنا از دانشگاه صنعتی شریف، این مدل در مجله ˈACM Transactions on Intelligent Systems and Technologyˈ متعلق به انتشارات ACM منتشر شد و در مدت کوتاهی پس از چاپ در چندین ماه متوالی جزو مقالات داغ با بیشترین تعداد مشاهده توسط وبسایت این ژورنال معرفی شده است. ***تحلیل شبکه های اجتماعی با گسترش فضای مجازی و شبکه های اجتماعی و فراگیر شدن آن در بین جوامع مختلف بحث مربوط به تحلیل این شبکه های در مطالعات و تحقیقات بسیاری مورد توجه قرار گرفته است. تحلیل، مدلسازی و پیش بینی رفتار کاربران کاربردهای متنوعی می تواند داشته باشد، برای مثال یکی از کاربردهای مهم برای تحلیل رفتار کاربران، سیستم های توصیه گر هستند. در سیستم های توصیه گر با تحلیل رفتار کاربر مورد نظر به صورت هوشمند پیشنهاداتی به کاربر انجام می گیرد که بتواند رضایتمندی وی را از سیستم افزایش دهد. در وب سایت هایی همانند ˈآمازونˈ یا ˈای. بیˈ سیستم های توصیه گر نقش کلیدی در کارایی این وبسایت ها دارند به طوریکه بهبود مختصر در عملکرد سیستم های توصیه گر در چنین کاربردهایی منجر به افزایش های کلانی در سودآوری این وبسایت ها می شود. با توجه به اهمیت تحلیل رفتارهای کاربران در فضای مجازی، آزمایشگاه ها و موسسات تحقیقاتی گوناگونی هم در حوزه صنعتی و هم در حوزه دانشگاهی بر روی تحلیل این فضا متمرکز شده اند. ***شبکه های علامت دار و مساله پیش بینی علامت یال در اکثر تحقیقات انجام گرفته برای تحلیل شبکه های اجتماعی، روابط بین کاربران به صورت گراف مدلسازی می شود. گراف هایی که در آن موجودات به صورت گره ها و روابط بین آنها به صورت یال هایی نمایش داده می شوند. در مدلسازی های کلاسیک تمام روابط بین گره ها به صورت یکسان در نظر گرفته می شد، به این ترتیب که فرض می شد روابط بین اشخاص در شبکه های اجتماعی بار معنایی یکسانی دارد. حجم بسیار بالایی از مطالعات در تحلیل و بررسی چنین شبکه هایی انجام گرفته است، حال اینکه مشخصا در جهان واقعی روابط بین اشخاص می تواند برچسب های متفاوتی داشته باشد. در واقع مدلسازی کلاسیک انجام گرفته برای تحلیل شبکه های اجتماعی چندان بر واقعیت منطبق نبود و با توجه به همین کمبود، اخیرا شبکه هایی در تحقیقات مورد توجه قرار گرفته اند که در آن روابط بین گره ها می توانند بارهای معنایی متفاوتی با یگدیگر داشته باشند. برای مثال شبکه هایی را در نظر بگیرید که در آن بین افراد می تواند روابط دوستی یا دشمنی، اعتماد و یا عدم اعتماد برقرار باشد. یکی از مدل هایی که بر گنجاندن چنین مفهوم هایی در قالب گراف ارائه شده است، شبکه های علامت دار است. در این شبکه ها یال های بین گره ها به صورت علامت دار است، به این ترتیب که هر یال دارای برچسب مثبت یا منفی است و برچسب منفی می تواند نمایانگر دوستی، اعتماد ( و یا هر مفهوم دیگری با بار معنایی مثبت) باشد و برچسب منفی می تواند نماینده دشمنی و عدم اعتماد باشد. به طور کلی مسائل متنوعی بر روی این شبکه ها مطرح شده و اخیرا مطالعات بسیاری در پاسخ به آنها انجام گرفته است. یکی از مسائل بسیار مهم در چنین شبکه هایی که کاربردهای مهمی نیز دارد (به ویژه در سیستم های توصیه گر) مساله مربوط به پیش بینی علامت یال بین گره ها است، به عبارت دیگر مساله عبارت است از پیش بینی برچسب رابطه بین دو فرد در شبکه های اجتماعی بر اساس روابطی که این دو فرد با بقیه اعضای شبکه دارند. ***مدل ارائه شده مهم ترین تکنیکی که پیشتر برای این مساله ارائه شده بود، یک مدل بر پایه روش های یادگیری ماشین است که توسط یکی از محققان برجسته در حوزه تحلیل شبکه های اجتماعی از دانشگاه استنفورد مطرح شده است. با وجود دقت پیش بینی نسبتا مطلوب، این روش به دلیل پیچیدگی محاسباتی بالا در شبکه های بزرگ (شامل میلیونها گره و یال) از لحاظ زمان اجرا کارایی لازم را ندارد. در واقع یکی از مسائل مهمی که در طراحی تکنیک های تحلیل شبکه های اجتماعی باید در نظر گرفته شود، بحث پیچیدگی محاسباتی الگوریتم است چراکه در مقیاس تجاری حجم شبکه ها بسیار بزرگ است و الگوریتم های تحلیلی با پیچیدگی محاسباتی بالا عملا کارایی خود را در چنین شرایطی از دست می دهند. در روش جدیدی که این دانشمند ایرانی برای حل این مساله ارائه کرده، از دیدگاه جدیدی مساله را مدلسازی کرده است و در ادامه از یک الگوریتم مبتنی بر فیلترینگ همکارانه و بر اساس خوشه بندی شبکه برای پیش بینی علامت یال ها بهره برده است. این الگوریتم نسبت به دیگر روش ها از پیچیدگی محاسباتی به مراتب پایین تری برخوردار است به طوریکه کاملا این قابلیت را داراست که بر کاربردهای تجاری اعمال شود. همچنین نتایج به دست آمده حاصل از اجرای مدل ارائه شده بر روی سه شبکه به دست آمده از جهان واقعی نشان ازدقت بالاتر مدل ارائه شده بر دیگر تکنیک های پیش بینی علامت یال در شبکه های اجتماعی را دارد. به عبارت دیگر روش ارائه شده هم از لحاظ دقت و هم از لحاظ پیچدگی محاسباتی بر دیگر روش های مطرح برتری دارد و این ویژگی ها مدل ارائه شده را در هر دو حوزه دانشگاهی و صنعتی بسیار ارزشمند ساخته است.