| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 405264 | 677516 | 2012 | 10 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1.مقدمه
شکل1. نمونه ای از تصویر انگیزه ی کار ما
2. کارهای مرتبط
3. روش تشخیص اجتماع موضوع گرا
3.1. چارچوب
3.2. مدل سازی داده ی شبکه ی اجتماعی
3.3. خوشه بندی اشیای اجتماعی و تقسیم اعضا
شکل3. مدل های گراف گسترش یافته (EG) برای یک شبکه ی همکار و شبکه ی گفتگوی بلاگ ها
3.4. تشخیص اجتماع موضوعی (یا تحلیل لینک) برای هر خوشه ی موضوعی
3.5. خلاصه و تحلیل روش ما
شکل4. مثالی از شبکه ی اجتماعی. گره ها کاربرها را نشان می دهند. یال ها رابطه ی اجتماعی بن کاربرها را نشان می دهند. وزن تخصیص یافته به هر یال قدرت ارتباط را نشان می دهد. برچسب های تخصیص یافته به هر کاربر، موضوع های مورد علاقه ی کاربر مربوطه را نشان می دهد.
4. آزمایش و تحلیل
شکل5. توضیح اینکه چرا ما از سه گام ذکر شده در بالا استفاده می کنیم. شبکه ی اجتماعی ورودی در شکل4 توصیف شده است.
4.1. مجموعه داده های آزمایشی
4.2. معیارهای کارایی
شکل6. نمونه هایی از اجتماع های موضوعی شناسایی شده از خوشه ی مربوطه از سه مجموعه داده ی مختلف. رنگ های مختلفی برای نشان دادن اجتماع های موضوعی مختلف استفاده شده است.
شکل7. مقدار Q با ادغام اجتماع ها برای سه شبکه تغییر می کند: ایمیل Enron، بلاگ های سیاسی، Cora. محور x تعداد ادغام ها و محور y مقادیر Q مربوطه را نشان می دهد. بیشینه ی Q برای سه شبکه ی بالا به ترتیب 0.683114، 0.432282، 0.661694 است. اتصال های مربوطه به ترتیب: x=131، x=1210، x=2155 است.
شکل8. جوامع شناسایی شده توسط روش مبتنی بر بیشینه سازی پیمانه ای در 3 مجموعه داده: مجموعه داده ی ایمیلی Enron، مجموعه داده ی بلاگ سیاسی و مجموعه داده ی Cora. رنگ های مختلفی برای نمایش اجتماع های مختلف استفاده شده است به جز زیرشکل (c) زیرا تنها 16 نوع رنگ در برنامه طراحی کرده ایم. برای هر زیر شکل (a)، (b) و (c) مورد سمت راست طرح دایره ای مورد سمت چپ است که در یافتن تعداد اجتماع ها به ما کمک می کند.
4.3. فرآیند و آزمایش و نتایج
شکل9. مقایسه ی کارایی با تنظیمات پارامتری مختلف
4.4. مقایسه و ارزیابی
5. نتیجه گیری
Community detection is an important issue in social network analysis. Most existing methods detect communities through analyzing the linkage of the network. The drawback is that each community identified by those methods can only reflect the strength of connections, but it cannot reflect the semantics such as the interesting topics shared by people. To address this problem, we propose a topic oriented community detection approach which combines both social objects clustering and link analysis. We first use a subspace clustering algorithm to group all the social objects into topics. Then we divide the members that are involved in those social objects into topical clusters, each corresponding to a distinct topic. In order to differentiate the strength of connections, we perform a link analysis on each topical cluster to detect the topical communities. Experiments on real data sets have shown that our approach was able to identify more meaningful communities. The quantitative evaluation indicated that our approach can achieve a better performance when the topics are at least as important as the links to the analysis.
Journal: Knowledge-Based Systems - Volume 26, February 2012, Pages 164–173