CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

پیش بینی تکامل گروه در شبکه های اجتماعی براساس ویژگی های ساختاری گراف با استفاده از شباهت های محلی و ساختاری

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۴ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: EMCE04_143
زبان مقاله: فارسی
حجم فایل: ۷۵۷.۰۲ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۰ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی تکامل گروه در شبکه های اجتماعی براساس ویژگی های ساختاری گراف با استفاده از شباهت های محلی و ساختاری

  مهیار ظریف کار - دانشگاه علم و صنعت ایران،
  نسرین کلنات - دانشگاه علم و صنعت ایران،
  سمیه محمد قیماسی - دانشگاه علم و صنعت ایران،
  عین اله خنجری - دانشگاه علم و صنعت ایران،

چکیده مقاله:

پیش بینی رشد گروه ها در دوره های زمانی مختلف مسئله ای پراهمیت است که در زمینه های سیاسی، اجتماعی و بازرگانی مورد بحث و مطالعه قرار می گیرد. پیش بینی حرکات و جنبش های سیاسی دوره ای و رشد گروه های مذهبی و رادیکال کاربردهایی از این مسئله می باشند. در دنیای دیجیتال شبکه های برخط (همچون تلگرام، فیسبوک) از لحاظ کمیت کاربران درگیر و میزان فعالیت و تاثیر پذیری کاربران رشد قابل توجه ای داشته اند. ساختار شبکه، اطلاعاتی در خود نهفته دارد که می توان با استفاده از روش های استخراج ویژگی به آنها دست یافت. ویژگی ها را می توان به صورت یادگیری ویژگی استخراج کرد. از مهمترین خصوصیت یادگیری ویژگی عمومیت آن است که باعث می شود در مسایل مختلف مورد استفاده قرار گیرد. نکته مهمی که در استخراج ویژگی از ساختار گراف مطرح است نوع شباهت بین گره هاست. دو نوع شباهت مطرح شده شباهت محلی و شباهت در نقش گره است. شباهت محلی شباهت گره های نزیک به هم یا همان گره های همسایه را بیان می کند و شباهت در نقش بدنبال یافتن شباهت ساختاری دو گره است برای مثال دو استاد دانشگاه در شبکه ممکن است همسایه هم نباشند اما نقشی که در شبکه دارند بسیار نزدیک به هم باشد. در این مقاله با کمک الگوریتم های یادگیری ویژگی سعی می شود که در مجموعه داده های dblp الگوی شباهت بین گره ها را یافته و احتمال پیوستن به گروه ها را پیش بینی کنیم. به کمک این روش می توان در هر شبکه ای نوع شباهت بین گره ها را تشخیص داد و با استفاده از آن ویژگی های ساختاری را استخراج نمود.

کلیدواژه‌ها:

استخراج ویژگی، ویژگی های ساختاری، تعبیه سازی شبکه، شبکه های اجتماعی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-EMCE04-EMCE04_143.html
کد COI مقاله: EMCE04_143

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
ظریف کار, مهیار؛ نسرین کلنات؛ سمیه محمد قیماسی و عین اله خنجری، ۱۳۹۷، پیش بینی تکامل گروه در شبکه های اجتماعی براساس ویژگی های ساختاری گراف با استفاده از شباهت های محلی و ساختاری، چهارمین کنفرانس ملی تحقیقات کاربردی در مهندسی برق،مکانیک،کامپیوتر و فناوری اطلاعات، شیراز، دانشگاه تخصصی فناوری های نوین آمل، https://www.civilica.com/Paper-EMCE04-EMCE04_143.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (ظریف کار, مهیار؛ نسرین کلنات؛ سمیه محمد قیماسی و عین اله خنجری، ۱۳۹۷)
برای بار دوم به بعد: (ظریف کار؛ کلنات؛ محمد قیماسی و خنجری، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۱۷۹۹۳
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.