تشخیص افراد خبره در شبکه های اجتماعی براساس خوشه بندی اشیاء اجتماعی و ماژولاریتی

الموضوعات : مجله فناوری اطلاعات در طراحی مهندسی

سمانه حسن زاده ¹ , ملیحه ابراهیمی نژاد ² , مهرداد جلالی ³

1 - دپارتمان مهندسی کامپیوتر فناوری اطلاعات، موسسه آموزش عالی اقبال لاهوری، مشهد،ایران
2 - دپارتمان مهندسی کامپیوتر، دانشکده 17 شهریور کرج، دانشگاه فنی و حرفه ای استان البرز، ایران
3 - دپارتمان مهندسی کامپیوتر، دانشگاه آزاد اسلامی ، دانشکده فنی و مهندسی، مشهد، ایران

تاريخ الإرسال : 26 الأربعاء , صفر, 1439 تاريخ التأكيد : 26 الأربعاء , صفر, 1439 تاريخ الإصدار : 19 الإثنين , ذو القعدة, 1437

الکلمات المفتاحية: الگوریتم Topsis, پیدا کردن متخصص, استخراج جوامع, الگوریتم EWKM, ماژولاریتی,

ملخص المقالة :

دهه گذشته توسعه سریعی را در شبکه های اجتماعی و استخراج جوامع شاهد است. نتیجه تحلیل چنین شبکه هایی می تواند کشف الگوهای مهم و پنهانی باشد. وجود حجم گسترده ای از محققان و اطلاعات در چنین شبکه هایی، منجر به تعیین متخصصین در زمینه های مختلف شده است. در این پژوهش یک روش ترکیبی پیشنهاد می کنیم که ابتدا با استفاده از الگوریتم EWKM، موضوعات به اشتراک گذاشته شده بین کاربران را در خوشه هایی قرار می دهد. سپس یک تحلیل ساختاری با استفاده از ماژولاریتی، بر روی کاربران در گیر در هر خوشه اعمال می شود. به علاوه برای دسترسی به متخصص ترین افراد در هر جامعه از الگوریتم Topsis، استفاده شده است. نتایج آزمایش نشان می دهد روش پیشنهادی دقت و صحت قابل قبولی نسبت به روش های پیشین دارد. بنابراین، روش پیشنهادی می تواند برای زمینه های دانشگاهی در جهان واقعی استفاده شود.

المصادر:

[1]   L. Tang and H. Liu, Community detection and mining in social media, vol. 2, no. 1. Morgan & Claypool Publishers, 2010, pp. 1–137.

[2]   S. Fortunato, “Community detection in graphs,” Physics Reports, vol. 486, no. 3, pp. 75–174, 2010.

[3]   Z. Zhao, S. Feng, Q. Wang, J. Z. Huang, G. J. Williams, and J. Fan, “Topic oriented community detection through social objects and link analysis in social networks,” Knowledge-Based Systems, vol. 26, pp. 164–173, Feb. 2012.

[4]   M. Steyvers and P. Smyth, “Probabilistic author-topic models for information discovery,” … discovery and data mining, no. 1990, pp. 1–10, 2004.

[5]   T. Hofmann, “Probabilistic latent semantic indexing,” Proceedings of the 22nd annual international ACM …, pp. 50–57, 1999.

[6]   S. Jarukasemratana, “Community Detection Algorithm based on Centrality and Node Distance in Scale-Free Networks,” no. May, pp. 258–262, 2013.

[7]   M. Newman, “Fast algorithm for detecting community structure in networks,” Physical review E, no. 2, pp. 1–5, 2004.

[8]   X. Zhu, F. Wang, H. Wang, C. Liang, R. Tang, X. Sun, and J. Li, “TOPSIS method for quality credit evaluation: A case of air-conditioning market in China,” Journal of Computational Science, pp. 1–7, Feb. 2013.

[9]   H. Jiawei, K. Micheline, and P. Jian, Data Mining concepts and techniques. 2012, pp. 452–454.

[10] C. C.Aggarwal, Social Network Data Analytics. 2011, pp. 1–502.

[11] J. Ruan and W. Zhang, “An Efficient Spectral Algorithm for Network Community Discovery and Its Applications to Biological and Social Networks,” Seventh IEEE International Conference on Data Mining (ICDM 2007), pp. 643–648, Oct. 2007.

[12] Y. Kim, S. Son, and H. Jeong, “LinkRank: Finding communities in directed networks,” pp. 1–9, 2009.

[13] J. H. Jin, S. C. Park, and C. U. Pyon, “Finding research trend of convergence technology based on Korean R&D network,” Expert Systems with Applications, vol. 38, no. 12, pp. 15159–15171, Nov. 2011.

[14] S. White and P. Smyth, “A Spectral Clustering Approach To Finding Communities in Graph.,” in SDM, 2005, vol. 5, pp. 76–84.

[15] Y. Zhou, H. Cheng, and J. X. Yu, “Clustering Large Attributed Graphs: An Efficient Incremental Approach,” 2010 IEEE International Conference on Data Mining, pp. 689–698, Dec. 2010.

[16] C. C. Aggarwal and H. Wang, Managing and Mining Graph Data, vol. 40. Boston, MA: Springer US, 2010.

[17] Y. Xu, X. Guo, J. Hao, J. Ma, R. Y. K. Lau, and W. Xu, “Combining social network and semantic concept analysis for personalized academic researcher recommendation,” Decision Support Systems, vol. 54, no. 1, pp. 564–573, Dec. 2012.

[18] F. Breu, S. Guggenbichler, and J. Wollmann, “A Study of Expert Finding on DBLP Bibliography Data,” Vasa, 2008.

[19] H. Deng, I. King, and M. R. Lyu, “Formal models for expert finding on DBLP bibliography data,” in Data Mining, 2008. ICDM’08. Eighth IEEE International Conference on, 2008, pp. 163–172.

[20] J. Zeng, W. K. Cheung, C. Li, and J. Liu, “Coauthor Network Topic Models with Application to Expert Finding,” 2010 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology, pp. 366–373, Aug. 2010.

[21] K. Balog, L. Azzopardi, and M. De Rijke, “Formal models for expert finding in enterprise corpora,” … of the 29th annual international ACM …, pp. 43–50, 2006.

[22] G. A. Wang, J. Jiao, A. S. Abrahams, W. Fan, and Z. Zhang, “ExpertRank: A topic-aware expert finding algorithm for online knowledge communities,” Decision Support Systems, vol. 54, no. 3, pp. 1442–1451, Feb. 2013.

[23] C. Moreira and A. Wichert, “Finding Academic Experts on a MultiSensor Approach using Shannon’s Entropy,” Expert Systems with Applications, pp. 1–29, 2013.

[24] L. Jing, M. Ng, and J. Huang, “An entropy weighting k-means algorithm for subspace clustering of high-dimensional sparse data,” Knowledge and Data Engineering, …, vol. 19, no. 8, pp. 1026–1041, Aug. 2007.

[25] M. El Agha and W. M. Ashour, “Efficient and Fast Initialization Algorithm for K-means Clustering,” International Journal of Intelligent Systems and Applications, vol. 4, no. 1, pp. 21–31, Feb. 2012.

[26] Z.-X. Wang and Y.-Y. Wang, “Evaluation of the provincial competitiveness of the Chinese high-tech industry using an improved TOPSIS method,” Expert Systems with Applications, vol. 41, no. 6, pp. 2824–2831, May 2014.

[27] Z. Gao and N. Jin, “Detecting community structure in complex networks based on K-means clustering and data field theory,” Control and Decision Conference, 2008. CCDC …, pp. 4411–4416, 2008.

[28] “dblp.uni-trier.de.” [Online]. Available: http://dblp.uni-trier.de/xml/. [Accessed: 13-Oct-2013].