اكتشاف المجتمع الاجتماعي باستخدام قياس المركزية وتقنية الترميز التلقائي
Social Community Detection Using Centrality Measurement in Graph Autoencoder Technique
- الباحث
- حوراء زهير أحمد
- المشرف
- آسيا مهدي ناصر الزبيدي
- الجامعة
- جامعة بابل
- الكلية / القسم
- كلية العلوم للبنات / علوم الحاسوب
- الشهادة
- ماجستير
- السنة
- 2022
- لغة الرسالة
- انكليزي
- الكلمات المفتاحية
- Community Detection ; Social Networks ; Centrality Measurement ; Graph Autoencoder
الملخص
في الآونة الأخيرة ، انتشر استخدام منصات الشبكات الاجتماعية ، مثل الفيسبوك و تويتر و الويشات ، بشكل كبير. يعد اكتشاف المجتمع ، وهو تجميع المس تخدمين ذوي الاهتمامات والميول المتشابهة في مجموعات ، Lage Lila لفهم البنية المعقدة للشبكات الاجتماعية. يتم تمثيل المستخدمين كعقد في الشبكة الاجتماعية. تصف ميزات العقد ، بالإضافة إلى طوبولوجيا الشبكة ، علاقة التشابه بينها. يتمثل التحدي في اكتشاف المجتمع في التعامل مع الشبكات المفتقرة للميزات. تتميز تقنية التشفير التلقائي للرسم البياني بدقة منخفضة في اكتشاف المجتمع. لذلك يكمن التحدي البرمجي في تطوير بنية هذه التقنية لإعطاء نتائج عالية الدقة. استخدمت هذه الأطروحة الطريقة الهجينة ، اكتشاف المجتمع باستخدام إطار عمل التشفير التلقائي للرسم البياني Gus (CDGAE) تم استخدام الطريقة القائمة على قياس المركزية لتعيين الميزات ¢ للتعامل مع الشبكة الخالية من الميزات. ثم تم اس تخدام طريقتين لاختيار الميزة ، تحديد ميزة الارتباط و تحديد ميزة عتبة التباين ، لتجنب التكرار والحشو في الميزات. تمت زيادة طبقات GAE لزيادة دقة اكتشاف المجتمع. تمت مساواة الرقم العص بي لطبقة gic الزجاجة في المشفر التلقائي للرسم البياني (GAE) مع عدد المجتمعات ، حيث تم تحديده بواسطة الطريقة الطيفية لمصفوفة بيثا حسين ، لتحديد عضوية كل عقدة في مجتمعها مباشرة دون استخدام خوارزمية التجميع. تم تطبيق CDGAE على مجموعة بيانات صفحات الحكومة على الفيس بوك. أظهرت النتائج التجريبية أفضل أداء ال CDGAE بخمس طبقات لمجموعة بيانات صفحات حكومة الفيسبوك بعد زيادة عقدها بالميزات ، حيث سجل مقياس المعلومات المتبادلة الموحدة (NMI-Score) ومقياس الدقة القيم المئوية 6 و 87.42 على التوالي.
Abstract
Recently, the utilization of social network platforms, such as Facebook, Twitter, and WeChat, has spread greatly. Community detection, that it is grouping of users with similar interests and tendencies into groups, is an important side of understanding the complex structure of social networks. The users are represented as nodes in the social network. The features of nodes, in addition to the network topology, describe the similarity relationship between them. The challenge of community detection is dealing with featureless networks. The graph autoencoder technique has low accuracy in community detection. Therefore, the programming challenge lies in developing the structure of this technology to give high accuracy results. This thesis used the hybrid method, community detection using graph autoencoder (CDGAE) framework. Where the centrality measurement-based method was used to assign features, to deal with the featureless network. Then two feature selection methods, correlation and variance threshold feature selection, were used to avoid redundancy and padding in features. The layers of GAE were increased to increase the accuracy of community detection. The neural number of the bottleneck layer of Graph Autoencoder (GAE) was equated to the community’s number, it was determined by the spectral method of the Bethe Hassien matrix, to determine the membership of each node to its community directly without using the clustering algorithm. The CDGAE was applied to the Facebook government pages dataset. The experimental results showed the best performance of CDGAE with five layers for the Facebook government pages dataset after augmentation of its nodes with
طلب نسخة من الملف
الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.