دانلود ترجمه مقاله رویکرد یادگیری عمیق برای تشخیص جامعه نیمه نظارت شده در شبکه اجتماعی

عنوان فارسی

یک رویکرد یادگیری عمیق برای تشخیص جامعه نیمه نظارت شده در شبکه های اجتماعی آنلاین

عنوان انگلیسی

A deep learning approach for semi-supervised community detection in Online Social Networks

کلمات کلیدی :

  تحلیل شبکه اجتماعی؛ تشخیص جامعه نیمه نظارت شده؛ شبکه های اجتماعی آنلاین؛ یادگیری عمیق

درسهای مرتبط مهندسی کامپیوتر
تعداد صفحات مقاله انگلیسی : 14 نشریه : ELSEVIER
سال انتشار : 2021 تعداد رفرنس مقاله : 57
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
پاورپوینت : ندارد

سفارش پاورپوینت این مقاله

وضعیت ترجمه مقاله : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید
ELSEVIER
قیمت دانلود ترجمه مقاله
99,800 تومان
فهرست مطالب

1. مقدمه 2. کارهای مرتبط 3. شبکه های عصبی کانولوشنی بر حسب معیارهای پراکنده 4. معماری 5. ارزیابی آزمایشی 6. نتیجه گیری و پژوهش آتی

سفارش ترجمه
ترجمه نمونه متن انگلیسی

چکیده – تحلیل شبکه اجتماعی به عنوان روشی برای آشکار سازی و شناسایی الگوهای مفید اجتماعی در اجتماع میان کاربران رواج یافته است. با این حال رشد نمایی و پیوسته این شبکه ها (بر حسب تعداد کاربران و تنوع برهمکنش های مختلفی که این شبکه ها ممکن می کنند) توسعه روش های مختلف تشخیص تشکل موثر و کارآمد را به یک کار محاسباتی چالش برانگیز تبدیل کرده است. در این مقاله یک روش نوآورانه برای تشخیص تشکل نیمه نظارت شده، بهره گیری از شبکه های عصبی معمولی برای بکارگیری همزمان ویژگی های مختلف یک شبکه (مانند اطلاعات توپولوژیک و زمینه ای) پیشنهاد می کنیم. هزینه محاسباتی با دانش نمایش دهنده اتصالات شبکه روی معیارهای پراکنده خاص می تواند تعداد عملیات هایی که باید صریحاً انجام شوند را کاهش دهد، بهینه سازی می شود. با ارزیابی گسترده سیستم ما روی مجموعه داده های بزرگ (مصنوعی و واقعی) نشان می دهیم که روش ما بهتر از انواع روش های جدید کنونی بر حسب زمان اجرا و F1 کلان و ریز عمل می کند. مقدمه: امروزه شبکه های اجتماعی آنلاین یک قطب محوری برای تعاملات انسانی و اشتراک اطلاعات هستند و رواج و تنوع آنها در دهه گذشته رشد روزافزون داشته است. افزایش نمایی مقدار افراد تعامل کننده روی این پلتفرم ها مشخصاً منجر به تغییر در الگوهای استفاده ثبت شده روی شبکه های اجتماعی آنلاین، و نوع و مقدار اطلاعات تولید شده از آنها شده است. برای نمونه فیس بوک 1.8 میلیارد کاربر فعال روزانه را گزارش کرد که هر 60 ثانیه صدها هزار نظر و پست تولید می کنند [1]. بخاطر برهمکنش پیچیده میان تعداد زیاد کاربران و اطلاعات ناهمسانی که تولید می کنند، شبکه های اجتماعی آنلاین نه تنها برای انواع مختلف شرکت ها (جذب شده به واسطه امکان افزایش سود از طریق اقدامات کاربر محور هدفمند، زمان واقعی و بخوبی زمان بندی شده [2،3]) بلکه برای پژوهشگران مختلف به واسط چالش های فناوری ارائه شده با مطالعه رفتار اجتماعی کاربران در جوامع بزرگ آنلاین مورد توجه قرار گرفته اند [4]. به طور خاص، تحلیل شبکه اجتماعی می تواند به توسعه روش هایی برای بررسی کارآمد روابط مختلف اجتماعی میان کاربران در این محیط ها برای کاربردهای مختلف زیر کمک کند: بازاریابی ویروسی، شناسایی خبره، تشخیص تشکل، تحلیل تاثیر، توصیه اجتماعی، و مانند آن. به نظر می رسد شبکه های اجتماعی آنلاین به واسطه تمایل افراد به همکاری و ارتباط با دیگرانی که علایق مشابهی دارند (مانند شباهت خانوادگی) مشخص می شود، مانند ضرب المثل «کبوتر با کبوتر، باز با باز». در مقابل این منجر به شکل گیری خودبخودی جوامع کوچک تر کاربران در شبکه های اجتماعی آنلاین بزرگ تر با درجات مختلف وابستگی داخلی می شود.

نمونه متن انگلیسی مقاله

Social Network Analysis (SNA) has gained popularity as a way to unveil and identify useful social patterns as communities among users. However the continuous, exponential growth of these networks (both in terms of number of users, and in terms of the variety of different interactions that these networks allow) has made the development of efficient and effective community detection techniques a challenging computational task. In this paper, we propose an innovative approach for Semi-supervised Community Detection, exploiting Convolutional Neural Networks to simultaneously leverage different properties of a network — such as topological and context information. Crucially, computational cost is optimized by building on the insight that representing network connections over particular sparse matrices can significantly decrease the number of operations that need to be explicitly performed. By extensively evaluating our system on large (artificial and real-world) datasets, we show that our approach outperforms a variety of existing state-of-the-art techniques in terms of running time, as well as over Macro− and Micro − F 1. Introduction: On-line Social Networks (OSNs) are nowadays a central hub for human interaction and information sharing, their popularity and variety having grown more and more in the last decade. The exponential increase in the amount of people interacting over these platforms has obviously lead to a change in the patterns of usage registered across OSNs, as well as the type and amount of information generated from them. For instance, Facebook reported 1,8 billions of active daily users producing hundreds of thousands of comments and posts every 60 seconds [1]. Because of the complex interaction between large amount of users and the heterogeneous information they produce, OSNs are of interest not only to different kinds of companies — attracted by the possibility of increasing profit through targeted, realtime and well-timed user-oriented actions [2,3] — but also to a variety of researchers inspired by the technological challenges offered by the study of users’ social behavior within large online communities [4]. In particular, Social Network Analysis (SNA) can help develop methodologies to effectively explore the different social ‘‘ties’’ among users within such environments for a variety of applications: viral marketing, expert finding, community detection, influence analysis, social recommendation, and so on. In this sense, modern OSNs seem to be characterized by the tendency of individuals to associate and bond with others who share similar interests (i.e. homophily), as in the proverb ‘‘birds of a feather flock together’’. In turn, this leads to the spontaneous formation of smaller user communities within larger OSNs with varying degrees of internal cohesiveness.

توضیحات و مشاهده مقاله انگلیسی

ترجمه این مقاله در 32 صفحه آماده شده و در ادامه نیز صفحه 20 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.

محتوی بسته دانلودی:

فایل PDF پایان نامه انگلیسی فایل ورد قابل ویرایش (WORD) و PDF ترجمه پایان نامه به صورت کاملا مرتب ترجمه شکل ها و جداول انجام شده است
قیمت : 99,800 تومان

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود ترجمه مقاله رویکرد یادگیری عمیق برای تشخیص جامعه نیمه نظارت شده در شبکه اجتماعی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

شش − 5 =

مقالات ترجمه شده

نماد اعتماد الکترونیکی

پشتیبانی

logo-samandehi