رحمن عمیری
| دانشجو رحمن عمیری دانشجوی دکتر حسن نادری مورخ ۱۴۰۳/۰۲/۲۶ ساعت ۱۶:۰۰ از رساله دکتری خود با عنوان "ردیابی تکامل جامعه در شبکه های اجتماعی تعاملی با در نظر گرفتن موضوعات" دفاع خواهند نمود. |
ارائه دهنده:
رحمن عمیری
استاد راهنما:
دکتر حسن نادری
هیات داوران:
دکتر محمد صنیعی اباده؛ دکتر سید حسین خواسته؛
دکتر بهروز مینایی ؛ دکتر عین الله خنجری
زمان : ۲۶ اردیبهشت ماه ۱۴۰۳
ساعت ۱۶:۰۰
چکیده پایان نامه :
جوامع به عنوان ساختارهای مهم در شبکه های پویا ظاهر می شوند. ردیابی تکامل آنها بینش های ارزشمندی را در مورد الگوهای تکامل جامعه در طول زمان ارائه میدهد. این اطلاعات برای سیستم های پشتیبانی تصمیم در زمینه های مختلف تحقیقاتی از جمله بازاریابی، سیستمهای توصیه گر و جرم شناسی اهمیت زیادی دارد. در حالی که موضوعات مورد بحث درون یک جامعه سنگ بنای تغییرات درون آن جامعه می باشند، با این وجود ساختار و موضوعات به طور همزمان در معرض تغییرات دینامیکی هستند. اکثر مطالعات در این زمینه بر ویژگیهای ساختاری پیچیده شبکه متمرکز شدهاند بدون توجه به تأثیر مهم و در عین حال ساده ی موضوعات و ویژگیهای موضوعی بر پیچیدگی شبکه در گذر زمان. علاوه بر این، مطالعات نشان میدهد تحقیقات زیادی بر روی جوامع محتوایی محلی و ردیابی آنها انجام نشده است. مشکل دیگری وجود دارد که ناشی از پیچیدگی زمانی محاسبات ساختاری در عین حفظ دقت در تعیین نوع تحولات ردیابی جوامع است که در نتیجه انشعاب و ادغام گره های جامعه با جوامع دیگر در طول زمان رخ می دهد. تحقیقات ما در قالب محاسبات انجام شده در این پایاننامه نشان می دهد که می تواند کارایی بیشتری را نسبت به روش های صرفا ساختار در عین حفظ دقت قابل مقایسه تضمین کند.
روشهای پیشنهادی برای این مطالعه دو حوزه مهم را ترکیب کردهاند: مدلسازی موضوع و ساختار شبکه، پیشنهاد دو مدل دینامیکی برای ردیابی و پیشبینی تکامل جوامع برخط، با در نظر گرفتن ساختار جامعه و موضوعات آن. اولین مدل برای ردیابی تکامل جوامع با محوریت یک موضوع طراحی شده است و به عنوان "مدل تکامل جامعه ردیابی موضوعی" نامیده می شود. مدل دوم این را با مشارکت جوامع در بحثهایی که موضوعات متعددی را پوشش میدهند که به عنوان «مدل ردیابی توسعه چند موضوعی جامعه» از آن یاد میشود.
برای تقویت ردیابی و شناسایی نوع تکامل جامعه، این مطالعه روش جدیدی را برای شناسایی تحولات جامعه باعنوانIEGM پیشنهاد کرده است که جوامع را به عنوان گرههای گراف و همپوشانی بین جوامع متصل را به عنوان یال در نظر میگیرد تا نموداری از تکامل جامعه را در طول زمان ترسیم کند. ساده کردن شناسایی رویدادهای تکاملی از طریق روش پیشنهادی IEGM همچنین به شناسایی ویژگیهای همپوشانی که به افزایش دقت پیشبینی تکامل جامعه و همچنین سایر ویژگیهای ساختاری و عینی جامعه کمک میکند .مناسب بودن مدلهای ما برای پیشبینی تغییرات اجتماعی از طریق یک مطالعه پیشبینی مورد بررسی قرار گرفت. در این ارزیابی از سه طبقهبند شناخته شده در این حوزه با نامهای RF، Light GBM و XGB Classifier استفاده شد. نتایج به دست آمده از ارزیابی مدلهای پیشنهادی و روش IEGM اثربخشی آنها را در افزایش دقت ردیابی و پیشبینی تکامل جامعه نشان میدهد. علاوه بر این، این مدلها به کاهش پیچیدگی و صرف زمان کمتر کمک میکنند، بنابراین تصمیم گیری سریع و در عین حال دقیق را در کاربردهای مختلف که نیاز به درک عمیق و تمرکز بر مسائل اجتماعی دارند، تسهیل میکنند.
An additional challenge stemming from prior tracking methodologies lies in accurately identifying the nature of evolutionary events within social communities. Addressing this challenge necessitates the development of a more robust methodology, one that not only surpasses the efficacy of previous approaches but also offers a simplified visualization of community evolution as a tangible reality, rather than merely a set of calculated outcomes.
This study develops and proposed three methods to develop tracking community evolution, first by integrated between two important fields: topic modelling and network structure, to propose two dynamic models for tracking and predicting the evolution of social communities. The first model is tailored for tracking the evolution of communities centered on a single topic denoted as "tracking topical community evolution model.". The second model extends this by encompassing communities engaged in discussions spanning multiple topics, denoted as "tracking multi-topic community evolution model."
The Third model is “IEGM” has proposed to enhance the process of tracking and identification of community evolution type, this model considered graph in tracking community evolution, this method simplified identification of evolution events with high accuracy and less complexity and time.
The suitability of our models for predicting the evolution of community areas was further investigated through a prediction study. In this evaluation, three classifiers RF Classifier, Light GBM, and XGB Classifier were employed.
The results obtained from the proposed models and the IEGM method demonstrate their effectiveness in enhancing the accuracy of tracking and predicting community evolution. Additionally, these models contribute to reducing complexity and consuming less time, thereby facilitating accurate decision-making in a diverse range of applications that require a profound understanding and emphasis on community topics.