بسیاری از مدل‌های پیش‌بینی در سیستم‌های توصیه‌گر سعی در مدل کردن فاکتورهای پنهان کاربران و آیتم‌ها دارند. این مدل‌ها به کمک ماتریس امتیازات داده شده توسط کاربران به آیتم‌ها آموزش می‌بینند و کم بودن نسبت امتیازات داده شده کاربران به آیتم‌ها نسبت به کل امتیازات ممکن، باعث کاهش دقت این مدل‌ها شده است. لذا برای حل این مشکل در برخی پژوهش‌ها سعی گردیده است که علاوه بر امتیازات موجود از اطلاعات کمکی نظیر اسناد توصیفی که در مورد آیتم‌ها وجود دارند استفاده گردد. اما بسیاری از آنها از مدل‌های قدیمی‌تر پرکاربرد در متن کاوی استفاده نموده اند و همچنین عدم لحاظ نمودن حداکثر حاشیه در هنگام محاسبه ویژگی‌های کاربران و آیتم‌ها باعث گردیده است که ویژگی‌های کاربران و آیتم‌ها به شکل موثری استخراج نگردد. در این مقاله و در روش ارایه شده، مدلی غیرخطی ارایه کرده‌ایم که انعطاف بیشتری در مقایسه با مدل‌های خطی دارد و علاوه بر استفاده از اسناد توصیفی در مورد آیتم‌ها، با لحاظ کردن حداکثر حاشیه در هنگام استخراج ویژگی‌های کاربران باعث بهبود صحت پیش‌بینی گردیده است. با توجه به توانایی شبکه‌های عصبی در کار با دنباله‌ها، برای استخراج ویژگی از اسناد متنی از شبکه LSTM در مدل پیشنهادی استفاده می‌نماییم. Manuscript profile

با گسترش اطلاعات، نیاز به پیشنهاد منابع مورد علاقه کاربران بیش از پیش احساس می شود از این رو سیستم های برچسب زنی اجتماعی به صورت روزافزون در حال افزایش و متداول شدن می باشند . یکی از چالش های موجود در چنین سیستم هایی ترکیب اطلاعات برچسب های انتسابی به منابع با زمان انتساب برچسب توسط کاربران جهت کشف صحیح علایق کاربر با توجه به گذر زمان می باشد. در این مقاله، داده های دریافت شده از سیستم های برچسب زنی مشارکتی، توسط تنسور 4 بعدی جهت نمایش ارتباطات چهارگانه کاربران، برچسب ها، منابع و زمان انتساب برچسب ها مدل شده است، همچنین با کمک تجزیه و تحلیل چند حالتی، ارتباطات پنهان میان علایق کاربران با زمان کشف می شود. از این رو تاثیر گذر زمان به طور مناسب در ارائه پیشنهاد منبع به کاربر سبب افزایش صحت خروجی پیشنهادات می شود. نتایج آزمایشات بر روی پایگاه داده ی دنیای واقعی citeulike، بهبود صحت پیشنهادات و کارایی این سیستم را در مقایسه با سایر سیستم های موجود نشان می دهد. Manuscript profile

شبکه اجتماعی یک ساختار اجتماعی از افراد و روابط بین آنهاست که در دنیای امروز نقش اساسی در گسترش اطلاعات ایفا می کنند. یک راه حل اساسی برای مطلع شدن از روند انتشار اطلاعات و اخبار در این شبکه ها، شناسایی یال های مهم و کلیدی بین اعضای جامعه است. در بسیاری از مقالات شناسایی یال ها به صورت ایستا صورت می گیرد که از جمله چالش ها مهم در این زمینه است و همچنین تعاملات بین کاربران در نظر گرفته نمی شود. در این مقاله یک روش جدید برای شناسایی کانال های ارتباطی موثر معرفی می شود که قابلیت تطابق با شبکه های اجتماعی مختلف را دارد و با ساختار های دنیای واقعی هماهنگ شده است. این روش بر اساس حجم اطلاعات منتقل شده بین اعضای جامعه به صورت پویا، مرکزیت بینابینی یال های ارتباطی و ویژگی های هر دو گره، کانال های ارتباطی موثر را شناسایی می کند. همچنین مدل ارائه شده در این مقاله می تواند اختصاصی بودن داده ها را حفظ کند. نتایج حاصل از ارزیابی نشان می دهد که این روش نسبت به روش های مشابه نتایج مطلوبی دارد. Manuscript profile

امروزه وب سایت‌های شبکه های اجتماعی به یک منبع غنی از داده های ناهمگون مبدل شده است؛ از این رو تجزیه و تحلیل این داده‌ها می‌تواند منجر به کشف اطلاعات و روابط ناشناخته در این شبکه‌ها شود. کشف جامعه متشکل از گره های مشابه یک چالش مهم در زمینه تجزیه و تحلیل داده های شبکه های اجتماعی است، و به طور گسترده ای در زمینه ساختار گرافی در این شبکه‌ها مورد مطالعه قرار گرفته است. شبکه های اجتماعی اینترنتی علاوه بر ساختار گرافی، حاوی اطلاعات مفیدی از کاربران درون شبکه می‌باشند؛ که استفاده از این اطلاعات می‌تواند منجر به بهبود کیفت کشف جوامع گردد. در این مقاله یک روش به منظور کشف جامعه ارائه شده است که علاوه بر اطلاعات ارتباطی بین گره ها از اطلاعات محتوایی به منظور ارتقا کیفیت کشف جوامع استفاده می‌گردد. این روش یک رویکرد جدید مبتنی بر الگوی تکرار شونده و بر اساس عملیات کاربران در شبکه است و به طور خاص، بر روی شبکه های اجتماعی اینترنتی که در آن کاربران عملیات مورد علاقه خود را انتخاب می کنند، اجرا می‌شود. ابتدا، بر اساس علایق و یا فعالیت های کاربران در شبکه، تعدادی جوامع کوچک متشکل از کاربران مشابه را کشف می کنیم و سپس با استفاده از ارتباطات اجتماعی هر جامعه را گسترش می دهیم. نتایج ارزیابی‌ F-measure بر روی دو مجموعه داده دنیای واقعی (بلاگ کاتالوگ و فلیکر) نشان می‌دهد که روش پیشنهادی منجر به بهبود کیفیت کشف جوامع می شود. Manuscript profile

در عصر حاضر رشد اطلاعات در دنیای وب 2.0 به حدی بوده است که به علت حجم وسیع داده ها و اطلاعات و همچنین تغییر برخی مفاهیم در طی گذر زمان، اطلاعات غیرضروری و غیر مرتبط بسیاری با آنچه کاربران به دنبال آن هستند، به وجود آمده است.در این مقاله ما برای حل این مشکل، خوشه بندی زمانی برچسب ها در سیستم‌هایی که از برچسب به‌عنوان یک متاداده استفاده کردهو در طی زمان در حال تغییر می باشند را پیشنهاد می دهیم. این عمل از طریقپارتیشن‌بندی زمانی گراف برچسب هاست، به‌طوری‌که با تغییر دادن وزن های مشابهت برچسب ها در طی زمان، خوشه بندی ما هم دچار تغییر شده و خودش را با تغییرات وفق می دهد. برای نشان دادن کارایی این روش، ما آن را بر روی مجموعه داده سایت متافیلتر اجرا کرده و با روش های مشابه مقایسه کردیم. نتایج نشان‌دهنده این مطلب است که روش پیشنهادی ما،F-Measureمیانگین خوشه ها را 24% نسبت به بهترین روش مشابه در طول زمان، بهبود بخشیده است و ازنظر مفهومی، هم با مفاهیم گذشته وهم با مطالب روز در ارتباط است. Manuscript profile

اخیراً سیستم های برچسب زنی مردمی به صورت روزافزون در حال افزایش یافتن و متداول شدن می باشد . این سیستم ها به کاربران اجازه میدهند منابع مورد نیاز خود را به صورت آزادانه سازماندهی، مدیریت و جستجو نمایند . از چالش های این نوع سیستمها میتوان به حجم بالای داده، دادههای ناسازگار، استفاده از الگوریتم های زمان بر یادگیری ماشین، زمان طولانی برای ارائه پیشنهاد به کاربر، صحت پایین در ارائه پیشنهادات و عدم قابلیت اجرا در دنیای واقعی اشاره نمود . این چالش ها سبب افزایش روزافزون تحقیقات در سالهای اخیر شده است. در این مقاله سیستم پیشنهاد دهندة ترکیبی منبعی معرفی نمودهایم که با به کارگیری اطلاعات مهم موجود در سیستمهای برچسبزنی مانند زمان و همچنین آنتولوژی موجود، صحت نتایج پیشنهادی را بهبود داده است. Manuscript profile

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. Manuscript profile