کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6888671 1445075 2017 34 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A Novel Mathematical Framework for Similarity-based Opportunistic Social Networks
ترجمه فارسی عنوان
چارچوب ریاضی رمان برای شبکهای اجتماعی فرصتطلبانه مبتنی بر شباهت
کلمات کلیدی
شبکه های اجتماعی، اپورتونیستی، پروفایل ها، شباهت، مدل سازی، ردیابی کاربر، نتایج عددی،
ترجمه چکیده
در این مقاله شبکه های اجتماعی را به عنوان یک تکنولوژی توانمند برای برنامه های کاربردی و خدمات جدید، که به طور عمده استفاده نشده است، مورد بررسی قرار می دهیم. به طور خاص، ما شباهت کاربری تلفن همراه را به دست می دهیم و چارچوب ریاضی جدیدی را که مبتنی بر نظریه اطلاعات است، به منظور تعیین محدودیت های اساسی و اندازه گیری عملکرد استراتژی های اشتراک دانش دانش محاسبه می کنیم. اولا، ساختارهای عمومی، غیرمسئولانه و موقتی را، به غیر از موقعیت جغرافیایی، به عنوان یک توابع احتمالی، معرفی می کنیم. دوم، معیارهای شباهت کلاسیک و تئوری اطلاعاتی را با استفاده از داده ها در حوزه عمومی بررسی می کنیم. یافته های قابل توجه این است که معیارهای زمانی به طور متوسط ​​(به عنوان مثال، محافظه کارانه) شاخص های شباهت کمتری را نسبت به معیارهای غیرواقعی نشان می دهند، به دلیل استفاده از ثروت اطلاعات در ابعاد زمانی. سوم، ما یک چارچوب ریاضی جدیدی را معرفی می کنیم که محدودیت های اساسی برای اشتراک دانش را در میان کاربران فرصتطلبانه مشابه ایجاد می کند. در نهایت، نتایجی از نتایج عددی نشان داده می شود که با افزایش دانش تجمعی در طول زمان و حد بالای آن، حد استفاده از دانش، با استفاده از داده های تلفن هوشمند عمومی برای رفتار کاربر و اثرات تحرک، در مورد صحنه های ثابت و همچنین تلفن همراه نشان داده می شود. نتایج ارائه شده بینش ارزشمندی را ارائه می دهند که نقش کلیدی چارچوب نظری معرفی شده را در ایجاد انگیزه در پژوهش های آینده بر اساس این تحقیقات رسیده، مطالعه سناریوهای گوناگون و همچنین راهبردهای جدید به اشتراک گذاری دانش ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
چکیده انگلیسی
In this paper we study social networks as an enabling technology for new applications and services leveraging, largely unutilized, opportunistic mobile encounters. More specifically, we quantify mobile user similarity and introduce a novel mathematical framework, grounded in information theory, to characterize fundamental limits and quantify the performance of sample knowledge sharing strategies. First, we introduce generalized, non-temporal and temporal profile structures, beyond geographic location, as a probability mass function. Second, we examine classic and information-theoretic similarity metrics using data in the public domain. A noticeable finding is that temporal metrics give lower similarity indices on the average (i.e., conservative) compared to non-temporal metrics, due to leveraging the wealth of information in the temporal dimension. Third, we introduce a novel mathematical framework that establishes fundamental limits for knowledge sharing among similar opportunistic users. Finally, we show numerical results quantifying the cumulative knowledge gain over time and its upper bound, the knowledge gain limit, using public smartphone data for the user behavior and mobility traces, in the case of fixed as well as mobile scenarios. The presented results provide valuable insights highlighting the key role of the introduced information-theoretic framework in motivating future research along this ripe research direction, studying diverse scenarios as well as novel knowledge sharing strategies.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pervasive and Mobile Computing - Volume 42, December 2017, Pages 134-150
نویسندگان
, , , , , ,