ارائه روش بهبودیافته در حداکثرسازی پویایی نظرات مبتنی بر الگوریتم ژنتیک حریصانه

تحلیل داده های شبکه های اجتماعی برخط یکی از چالش های علمی مورد توجه در عصر حاضر است. در زمینه تحلیل نظرات کاربران در این شبکه ها، حداکثرسازی پویایی نظرات به عنوان یک حوزه پژوهشی جدید مطرح شده است. تحقیقات پیشین در این حوزه عمدتا فرض کرده اند که نظرات گره ها ثابت و بدون تغییر هستند. همچنین، کمتر به تغییرات زمانی نظرات کاربران پرداخته شده است. در این مقاله، با درنظر گرفتن پویایی نظرات و تغییرات آن در طول زمان، روشی برای مسئله حداکثرسازی پویایی نظرات بر اساس الگوریتم ژنتیک حریصانه پیشنهاد شده است. این روش شامل دو بخش اصلی است. مدل پویایی نظرات فعال شده و فرایند انتخاب گره های دانه. مدل پویایی نظرات فعال شده با استفاده از ترکیب مدل انتشار آستانه خطی و یادگیری Q بدون حالت طراحی شده است که تغییرات زمانی نظرات را در نظر می گیرد. برای انتخاب گره های دانه، الگوریتم ژنتیک حریصانه به کار گرفته شده است. پس از تعیین گره اولیه یا دانه، مدل پویایی نظرات فعال شده آغاز می شود. در این مرحله، گره اولیه و همسایگان آن براساس مدل انتشار آستانه خطی فعال سازی می شوند. سپس با بهره گیری از یادگیری Q بدون حالت، نظرات گره ها به روزرسانی می گردند. این فرآیند به صورت تکرارشونده ادامه می یابد تا زمانی که شرایط خاتمه مورد نظر برآورده شوند. نتایج تجربی حاصل از آزمایش بر روی چهار مجموعه داده ی شبکه های اجتماعی امضاشده نشان می دهد که روش پیشنهادی در مقایسه با بهترین روش های موجود، در معیار تعداد گره های فعال ۱۴ درصد و در معیار میانگین نظرات مثبت ۲۷ درصد بهبود عملکرد داشته است.

کلیدواژه ها:

تحلیل شبکه های اجتماعی برخط ، حداکثرسازی پویایی نظرات ، گره شاخص ، الگوریتم ژنتیک حریصانه ، یادگیری Q