کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948359 1439611 2016 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Nonparametric models for characterizing the topical communities in social network
ترجمه فارسی عنوان
مدل های غیر پارامتری برای توصیف جوامع محلی در شبکه های اجتماعی
کلمات کلیدی
جامعه موضوعی، جریان های اجتماعی، مدل های غیر پارامتری بیزی،
ترجمه چکیده
جوامع محلی ابزارهای مفید برای توصیف شبکه های اجتماعی را نشان داده اند. با این حال داده ها در شبکه های اجتماعی معمولا به عنوان جریان، به عنوان مثال، هر دو محتوای متن (به عنوان مثال، ایمیل، پست های کاربر) و ساختار شبکه (به عنوان مثال، دوستی کاربر) در طول زمان تکامل می یابند. ما دو مدل آماری غیر پارامتری ارائه می دهیم که متغیرهای غیرمستقیم ناشناخته اجتماع همراه با متغیرهای موضوع نامحدود بی نهایت. وابستگی های زمانی بین متغیرها در طول دوره ها از طریق یک برنامه غنی تر و با ثبات تر مدل سازی می شود. ما بر ویژگی سه جنبه پویا در جریانهای اجتماعی متمرکز هستیم: تعدادی از جوامع یا تغییرات موضوعی (به عنوان مثال، جوامع جدید یا موضوعات متولد می شوند و قدیمی ها می میرند)؛ محبوبیت جوامع یا موضوعات تکامل یافته است معانی شناختی مانند توزیع موضوع موضوعی، توزیع مشارکت کننده جامعه و ربط موضوع کلمه موضوع. علاوه بر این، ما یک الگوریتم اثرگذاری الگوریتم استنتاج الگوریتم خلفی برای مدل ها را ایجاد می کنیم که متناسب با ماهیت آنلاین جریان های اجتماعی است. آزمایشات با استفاده از داده های دنیای واقعی اثربخشی مدل ما را در کشف جوامع دینی موضعی در جریان اجتماعی نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Topical communities have shown useful tools for characterizing social networks. However data in social networks often come as streams, i.e., both text content (e.g., emails, user postings) and network structure (e.g., user friendship) evolve over time. We propose two nonparametric statistic models where infinite latent community variables coupled with infinite latent topic variables. The temporal dependencies between variables across epochs are modeled via a rich-gets-richer scheme. We focus on characterizing three dynamic aspects in social streams: the number of communities or topics changes (e.g., new communities or topics are born and old ones die out); the popularity of communities or topics evolves; the semantics such as community topic distribution, community participant distribution and topic word distribution drift. Furthermore, we develop an effective online posterior inference algorithm for the models, which is concordant with the online nature of social streams. Experiments using real-world data show the effectiveness of our model at discovering the dynamic topical communities in social streams.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 216, 5 December 2016, Pages 439-450
نویسندگان
, , , ,