ارائه رهیافت جدید برای استخراج لینک های مفهومی پرتکرار از شبکه های اجتماعی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 872

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CBCONF01_0982

تاریخ نمایه سازی: 16 شهریور 1395

چکیده مقاله:

حجم بسیار بالای اطلاعات در شبکه های اجتماعی سبب گردیده است که محقین به دنبال ارائه روش هایی براینمایش خلاصه این اطلاعات و در واقع استخراج دانش از آنها باشند. روشهای ابتدایی در این حوزه معیارهایی که از نظریهی گراف ناشی میشد را بکار می گرفته اند اما رهیافت های جدید تلاش می کنند تا هم از حوزه ی کاوش داده سنتی و همداده های لینک شده سود برند. یکی از این رهیافت های جدید، رهیافتی با عنوان لینک های مفهومی است که برای توصیفشبکه های اجتماعی معرفی گردید. در این رهیافت با استفاده از مفهوم لینک های مفهومی، دانش از شبکه اجتماعی از طریقیک ساختار خلاصه شده با عنوان دیدگاه مفهومی سبب نمایشی معنایی از شبکه اجتماعی می شود. دیدگاه مفهومی، ارائهی خلاصه ای از دانش موجود در یک شبکه اجتماعی را فراهم می آورد. به منظور ساخت این نمایش، ابتدا نیاز به استخراجلینک های مفهومی از شبکه مورد نظر می باشد. با اینحال استخراج این لینک ها برای شبکه های با مقیاس بزرگ بسیارزمان بر است. در این نوشتار، روش جدیدی برای استخراج لینک های مفهومی پرتکرار از شبکه های اجتماعی ارائه شدهاست که با بکارگیری مفهوم وابستگی ها، سعی در تسریع فرآیند استخراج لینک های مفهومی دارد. روش پیشنهادی قادرخواهد بود در صورت وجود وابستگی ها در بین داده ها، این فرآیند را تسریع بخشد.

کلیدواژه ها:

تحلیل شبکه های اجتماعی ، لینک های مفهومی پرتکرار ، داده کاوی ، گراف کاوی ، کاوش شبکه های اجتماعی

نویسندگان

حسین سلامی

گروه مهندسی کامپیوتر، موسسه آموزش عالی فردوس، مشهد، ایران

سامان پورسیاه

گروه مهندسی کامپیوتر، واحد قوچان، دانشگاه آزاد اسلامی ، قوچان، ایران

حمید طباطبایی

باشگاه پژوهشگران جوان و نخبگان، واحد قوچان، دانشگاه آزاد اسلامی ، قوچان، ایران

راحله محبوب فریمانی

گروه مهندسی کامپیوتر، موسسه آموزش عالی فردوس، مشهد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aggarwal, C. C. (2011). An introduction o social network data ...
  • West, D.B. (2000). Introduction o graph theory. 2nd edn. Prentice ...
  • Tian, Y, Hankins, R.A., & Patel, J.M. (2008). efficient aggregation ...
  • Zhou, Y., & Cheng, H., & Yu, J.X. (2009). Graph ...
  • Stattner, E., & Collard, M. (2013). Towards a hybrid algorithm ...
  • Stattner, E. & Collard, M. (2012). Social-based conceptual links: Conceptual ...
  • Yang, G. (2004). The complexity of mining maximal frequent itemsets ...
  • Stattner, E. & Collard, M. (2015). Descriptive Modeling of Social ...
  • Xie, J., & Szymanski, B. K. (2012). Towards linear time ...
  • Macropol, K., & Singh, A. K. (2010). Scalable discovery of ...
  • Gopalan, P. K. & Blei, D. M. (2013). Efficient discovery ...
  • Riedy, J., Bader, D. A, & Meyerhenke, H. (2012). Scalable ...
  • Ovelgonne, M., & Geyer-Schulz, A. (2012). An ensemble learning strategy ...
  • De Meo, P., Ferra, E., Fiumara, G., & Provetti, A. ...
  • Chen, J., & Saad, Y. (2012). Dense subgraph extraction with ...
  • Jiang, P., & Singh, M. (2010). Spici: a fast clustering ...
  • Yang, J., McAuley, J., Leskovec, J. (2013). Community Detection in ...
  • Getoor, L., & Diehl, C.P. (2005). Link mining: a survey. ...
  • Agrawal, R., & Srikant, R. (1994). Fast Algorithms for Mining ...
  • Han, J., Pei, J., Yin, Y., & Mao, R. (2003), ...
  • Stattner, E. & Collard, M. (2012). FLMin: An Approach for ...
  • Stattner, E. & Collard, M. (2012). MAX-FLMi. An Approach for ...
  • Stattner, E., & Collard, M. (2013). Towards a hybrid algorithm ...
  • Takac, L., Zabovsky, M. (2012). Data Analysis in Public Social ...
  • نمایش کامل مراجع