شبکه های اجتماعی امروزه کاربردهای بسیاری در زندگی روزمره انسان ها پیدا کرده است به نحوه که شناسایی رفتار اعضای این نوع شبکه ها و انجمن های درون آنها از اهمیت ویژه ای برخوردار شده است. با توجه به ساختار و نحوه ارتباط بین اعضای شبکه های اجتماعی برخی اعضای درون این نوع شبکه ها نقش های مهمتری نسبت به دیگر اعضا دارند. در این مطالعه روشی جهت تشخیص انجمن های با اهمیت بیشتر پرداخته شد. باری این منظور با استفاده از ویژگیهای مرکزیت شبکه به معرفی ویژگیهای جدیدی پرداخته شد و سپس اهمیت این نوع ویژگیها توسط تئوری مجموعه های راف مورد بررسی قرار گرفت. نتایج آزمایش نشان داد که با افزایش تعداد گره های محبوب در بین یک انجمن که در این مطالعه معرفی شد و در عین حال کاهش مقدار ویژگی های تراکم، بینابینی و نزدیکی میزان تاثیر ویژگی تعداد گره های محبوب بر محبوب ماندن انجمن بیشتر مشهود خواهد بود. Manuscript profile

ماهیت فراگیر پلتفرم‌های شبکه‌های اجتماعی منجر به تولید حجم زیادی از داده‌ها شده است. عدم وجود محدودیت برای به اشتراک گذاشتن اطلاعات در این شبکه‌ها باعث گسترش اطلاعات بدون توجه به اعتبار آنها می‌شود. چنین اطلاعات غلطی معمولاً منجر به تولید و انتشار شایعات می‌گردد. بنابراین، تشخیص خودکار شایعات در شبکه‌های اجتماعی یکی از حوزه‌های تحقیقاتی جذاب برای تجزیه و تحلیل این شبکه‌ها است. این مقاله روشی را برای مقابله با انتشار شایعات در شبکه‌های اجتماعی بر پایه مدل‌ شبکه عصبی خودرمزگذار و مدل انتشار اپیدمی ILSR معرفی می‌کند. در اینجا، مدل‌ شبکه عصبی خودرمزگذار با چندین آستانه ابتکاری برای تشخیص اولیه شایعه اعمال شده و سپس کنترل شایعات توسط یک نسخه توسعه یافته‌ای از مدل شیوع اپیدمی ILSR انجام می‌شود. مدل پیشنهادی با نام ILSHR کاربران شبکه اجتماعی را در پنج گروه جاهل، کمین، پخش‌کننده، خواب زمستانی و سختگیر در نظر می‌گیرد. با توجه به حالات انتقال در مدل انتشار شایعه ILSHR، این مدل علاوه بر خصوصیات مربوط به گروه افراد کمین، خصوصیات گروه افراد خواب زمستانی را نیز از مدل SIHR لحاظ می‌کند. مکانیسم‌های فراموشی و یادآوری از خواب زمستانی می تواند زمان ترمینال شایعه را به تعویق انداخته و در نهایت باعث کاهش تأثیر شایعه در شبکه اجتماعی شود. تجزیه‌و‌تحلیل روش پیشنهادی برای مدل‌سازی انتشار شایعات روی مجموعه داده شبکه اجتماعی سینا ویبو انجام شده است. نتایج نشان دهنده عملکرد بهتر روش پیشنهادی با دقت تشخیص 95.7% نسبت به مدل‌های DGRU و DLSTM می‌باشد. Manuscript profile