استخراج كنش از شبكه هاي اجتماعي مبتني بر كاوش داده‌ها

دكتري تخصصي

رشد روزافزون در روند جمع‌آوري و ذخيره‌سازي داده‌ها منجر به اهميت يافتن استخراج خودكار دانش معتبر، از پيش ناشناخته و قابل استفاده، از آن‌ها شده است. تاكنون تحقيقات گسترده‌اي در زمينه كشف و استخراج دانش از داده‌ها انجام شده است كه اغلب آن‌ها محدود به يافتن مجموعه‌اي از الگوها و مدل‌ها مي‌باشند. اين نتايج اغلب نياز به ميزان زيادي پس‌پردازش دارند تا قابل استفاده توسط كاربر نهايي شوند. يكي از دلايل اين مسئله نداشتن قابليت استفاده عملي الگوها و مدل‌هاي كشف شده مي‌باشد. براي غلبه بر اين ضعف مبحث كنش¬كاوي مطرح شده است كه هدف آن استخراج دانشي مي‌باشد كه قابل‌اعمال در حوزه مربوطه باشد به اين معني كه به كمترين دخالت متخصصين حوزه مربوطه نياز باشد. كنش¬كاوي راهكاري در كشف دانش كنشمند است كه به استخراج دانش كنش¬پذير به منظور پيشنهاد مجموعه‌اي از تغييرات به منظور نيل به وضعيت مطلوب مي‌پردازد. طي سال‌هاي اخير پژوهش‌هاي متعددي در زمينه كنش¬كاوي صورت گرفته است كه عمده‌ي اين پژوهش‌ها، به كاوش كنش در داده‌هايي با ساختار ساده محدود مي‌باشد. در اين روش‌ها موجوديت‌ها مستقل از يكديگر فرض مي‌شوند، درحالي‌كه در اغلب كاربردهاي رايج امروزي، ارتباط بين موجوديت‌ها از اهميت ويژه‌اي برخوردار است. از جمله اين كاربردها شبكه‌هاي اجتماعي مي‌باشد . با توجه به پيچيدگي ساختاري اين داده‌ها، كاوش كنش در آن‌ها با چالش‌هاي خاص خود همراه است. در اين رساله، به مبحث استخراج كنش از شبكه‌هاي اجتماعي پرداخته¬ايم. با توجه به اهميت رده‌بندي در شبكه¬هاي اجتماعي، چارچوبي را براي استخراج كنش از شبكه‌هاي اجتماعي معرفي كرده و ضمن تعريف مفاهيم مبنايي كنش در شبكه اجتماعي و معيارهاي ارزيابي كيفيت كنش‌ها، يك صورت‌بندي صوري از مسئله ارائه داده‌ايم. علاوه بر اين، دو رويكرد هم در راستاي استخراج كنش‌هاي بهينه از داده‌هاي شبكه اجتماعي بررسي شده¬اند. رويكرد اول، بسط روش‌هاي پيشين است كه در آن ويژگي‌هاي ساختاري گراف استخراج مي‌شود و درنهايت، با ايده از يك روش متداول كنش¬كاوي به استخراج كنش مي‌پردازيم. رويكرد دوم، استخراج كنش به طور مستقيم از گراف داده‌ها مي‌باشد كه در آن، گراف شبكه اجتماعي به عنوان ورودي روش كنش¬كاوي در نظر گرفته مي‌شود و استخراج كنش با توجه به رده‌بندي مبتني بر قدم¬زني تصادفي به نحوي صورت مي‌گيرد كه ساختار گراف در فرآيند يادگيري مورد پردازش و استفاده قرار مي‌گيرد. اين رويكرد، براي دو نوع تغييرات در شبكه شامل تغييرات در يال‌ها و ويژگي‌هاي گره بسط داده شده است. همچنين، براي هر رويكرد، روش‌هايي طراحي و پياده‌سازي نموده‌ايم. نتايج تجربي بر روي مجموعه داده‌هاي شبكه اجتماعي از جمله فيس‌بوك، گوگل پلاس، DBLP و Hep-th نشان مي‌دهد كه نه تنها توسعه كنش¬كاوي به شبكه‌هاي اجتماعي امكان‌پذير است بلكه كنش‌هاي استخراج شده كيفيت و قابليت كاربردي بالاتري نسبت به بروزترين روش‌هاي موجود دارند.

195586

دانشگاه علم و صنعت ايران

نرم افزار

دكتر عين اله خنجري