در اکثر شبکه ­های اجتماعی، اطلاعات موضوعی و محتوایی بسیار ارزشمندی وجود دارد، مانند پروفایل کاربران، متن ارسالی بین کاربران، مقالات نوشته شده توسط کاربران، توضیح یک موضوع قرار داده شده در شبکه و غیره. با قرار دادن این اطلاعات و داده ­ها در کنار اطلاعات قبلی می­توان روابط موجود در شبکه را تفسیر کرد یا روابط جدید را پیش ­بینی نمود.
وجود این اطلاعات در شبکه­ ها و عدم استفاده مفید از آنها، ما را بر آن داشت تا در این پایان نامه از هر دو نوع داده ­ها استفاده کنیم و چارچوبی را پیشنهاد کنیم که در آن مدل کردن عناوین در شناسایی تشکل­ها دخیل شده و تشکل­های معنادار تری کشف می­شوند. با بهره گرفتن از این چارچوب کاربران حاظر در تشکل­های یکسان علاقه­مند به کار کردن در یک حوزه­ کاری هستند و در هر تشکل نیز وابستگی و یکپارچگی محتوایی وجود دارد.
در این پایان نامه برای حل مسئله­ تشخیص تشکل­ها، روش CDBLC در دو فاز ارائه شد. فاز اول این روش با بهره گرفتن از روش­ مبتنی بر مدل، گراف لینک شبکه را در تشکل­های مختلف جای می­دهد. در فاز دوم با اعمال روش­های پیمایش متن، کاربران به نحوی جا به جا می­شوند که در هر تشکل، موضوع کاری کاربران آن تشکل در حوزه ­های شبیه به هم قرار گیرند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

آزمایشات نشان داده­اند که روش CDBLC نسبت به روش LDA که برای خوشه بندی داده ­های متنی استفاده می­ شود بهتر عمل می­ کند.

پیشنهادات برای کار­های آتی

برای کار­های آتی ما پیشنهادات زیر را ارائه می­کنیم. چارچوب ارائه شده را می­توان به نحوی تعمیم داد که قابل اجرا بر روی شبکه ­های اجتماعی پویا نیز باشد. همچنین در سایت­های شبکه های اجتماعی علاوه بر داده ­های متنی چندین نوع داده­ی دیگر نیز وجود دارد، مثل تصاویر، صدا­ها و موسقی­ها، فیلم­های ویدیویی و اطلاعات فضایی^[۱۹۱]. می­توان برای مطالعات بیشتر این اطلاعات به چارچوب پیشنهادی در این پایان نامه وارد کرد.
فهرست منابع
[۱] B. A. Myers, “A brief history of human-computer interaction technology,” interactions, vol. 5, no. 2, pp. 44–۵۴, ۱۹۹۸٫
[۲] R. Harper, T. Rodden, Y. Rogers, and A. Sellen, “Being Human: HCI in the Year 2020.,” ۲۰۰۸٫
[۳] N. B. Ellison, “Social network sites: Definition, history, and scholarship,” J. Comput. Commun., vol. 13, no. 1, pp. 210–۲۳۰, ۲۰۰۷٫
[۴] S. Fortunato, “Community detection in graphs,” Phys. Rep., vol. 486, no. 3, pp. 75–۱۷۴, ۲۰۱۰٫
[۵] H. Zhang, B. Qiu, C. L. Giles, H. C. Foley, and J. Yen, “An LDA-based community structure discovery approach for large-scale social networks,” in Intelligence and Security Informatics, 2007 IEEE, 2007, pp. 200–۲۰۷٫
[۶] A. Celisse, J.-J. Daudin, and L. Pierre, “Consistency of maximum-likelihood and variational estimators in the stochastic block model,” Electron. J. Stat., vol. 6, pp. 1847–۱۸۹۹, ۲۰۱۲٫
[۷] X. Cheng, C. Dale, and J. Liu, “Statistics and social network of youtube videos,” in Quality of Service, 2008. IWQoS 2008. 16th International Workshop on, 2008, pp. 229–۲۳۸٫
[۸] S. Wasserman and K. Faust, “Social network analysis in the social and behavioral sciences,” Soc. Netw. Anal. Methods Appl., vol. 1994, pp. 1–۲۷, ۱۹۹۴٫
[۹] M. Faloutsos, P. Faloutsos, and C. Faloutsos, “On power-law relationships of the internet topology,” in ACM SIGCOMM Computer Communication Review, 1999, vol. 29, no. 4, pp. 251–۲۶۲٫
[۱۰] D. J. Watts and S. H. Strogatz, “Collective dynamics of ‘small-world’networks,” Nature, vol. 393, no. 6684, pp. 440–۴۴۲, ۱۹۹۸٫
[۱۱] S. Milgram, “The small world problem,” Psychol. Today, vol. 2, no. 1, pp. 60–۶۷, ۱۹۶۷٫