| تعداد نشریات | 61 |
| تعداد شمارهها | 2,223 |
| تعداد مقالات | 18,061 |
| تعداد مشاهده مقاله | 55,782,787 |
| تعداد دریافت فایل اصل مقاله | 28,991,765 |
توسعه یک روش فرا ابتکاری ترکیبی برای شناسایی اجتماعات در شبکههای اجتماعی با هدف چگالی پودمانگی | ||
| مطالعات مدیریت کسب و کار هوشمند | ||
| مقاله 3، دوره 8، شماره 29، آبان 1398، صفحه 61-86 اصل مقاله (2.75 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/ims.2019.10376 | ||
| نویسندگان | ||
| امیرحسین حسینیان1؛ بابک تیمورپور2؛ باقر جمالی هندری3 | ||
| 1دانش آموخته دکتری، مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران. | ||
| 2عضو هیئتعلمی، گروه مهندسی صنایع و سیستمها، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس، تهران. (نویسنده مسئول)؛ b.teimourpour@modares.ac.ir | ||
| 3دانشجوی دکتری، مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران. | ||
| چکیده | ||
| شناسایی ساختارهای موجود در شبکههای اجتماعی، فرآیندی حائز اهمیت در تحلیل این شبکهها است. یکی از مسائلی که در سالهای اخیر در زمینه شناسایی ساختارهای شبکههای اجتماعی مطرح شده است، مسئله اجتماع یابی است. با توجه به اهمیت این موضوع، تاکنون روشهای حل متنوع و گوناگونی برای اجتماع یابی پیشنهاد شده است. در پژوهش حاضر، یک الگوریتمی ترکیبی از روشهای بهینهسازی علفهای هرز و ژنتیک پیشنهاد شده است که هدف آن یافتن جوابهای مناسب و باکیفیت برای مسئله اجتماع یابی است. در این روش ترکیبی، جوابهای اولیه توسط روش بهینهسازی علفهای هرز تولید میشوند و در ادامه جوابهای یافته شده بهوسیله الگوریتم ژنتیک در فرآیند بهینهسازی، بهبود مییابند. ارزیابی برازندگی جوابها، مبتنی بر معیار چگالی پودمانگی است. چگالی پودمانگی، معیاری با ماهیت بیشینهسازی است که میزان کیفیت اجتماعات کشفشده را به دست میدهدمشخص می کند. بهمنظور بررسی کیفیت جوابهای الگوریتم پیشنهادی، نتایج این روش نسبت به چهار الگوریتم علفهای هرز، ژنتیک، الگوریتم کرم شبتاب و یک الگوریتم جستجوی کاملاً تصادفی مقایسه شدهاند. پارامترهای این الگوریتمها به کمک یک رویکرد طراحی آزمایشها تنظیم شدهاند. این مقایسات بر روی شبکههای محک گوناگون و با ابعاد متفاوت انجام شدهاند. با توجه به نتایج بهدستآمده، میتوان دریافت که الگوریتم پیشنهادی قادر به تولید جوابهایی باکیفیت بالا است. اعتبارسنجی نتایج الگوریتمها نیز توسط شاخص اطلاعات متقابل نرمال انجام شده است. | ||
| کلیدواژهها | ||
| اجتماع یابی؛ محاسبات نرم؛ بهینهسازی علفهای هرز؛ چگالی پودمانگی | ||
| مراجع | ||
|
بخشی، م.؛ سمیعزاده، ر. (1396)، مدلی برای پذیرش بانکداری الکترونیکی با در نظر گرفتن عامل اعتماد مشتریان، مطالعاتمدیریت کسبوکار هوشمند، دوره 5، شماره 19، بهار 1396، صفحه 53-74. برادران، و.؛ حسینیان، الف. ح.؛ درخشانی، ر. (1397-الف)، ارائه روش فرا ابتکاری مبتنی بر تصمیمگیری چندمعیاره در حل مسئله اجتماع یابی، مدیریت فناوری اطلاعات، دوره 10، شماره 2، تابستان 97، صفحه 283-308. برادران، و.؛ حسینیان، الف. ح.؛ درخشانی، ر.؛ نیکضمیر، م. (1397-ب)، ارائه یک رویکرد جدید برای حل مسئله اجتماع یابی شبکههای اجتماعی با توسعه الگوریتمهای NSGA-II و NRGA، مهندسی صنایع و مدیریت شریف، دوره 1، شماره 2/1، تابستان 97، صفحات 101-115. جعفری، م.ب.؛ کریمی، الف.؛ ابرقویزاده، ز. (1395)، عوامل تأثیرگذار بر تمایل به ادامه استفاده از وبسایت شبکههای اجتماعی، مطالعاتمدیریت کسبوکار هوشمند، دوره 5، شماره 17، پاییز 1395، صفحه 147-182. روشنی، س.؛ رضایی نیک، ن.؛ شجاعی، م.ح. (1392)، مطالعه مقایسهای قابلیت سازی و جامعهپذیری شبکههای اجتماعی عمومی و تخصصی، مطالعاتمدیریت کسبوکار هوشمند، دوره 2، شماره 5، تابستان 1392، صفحه 97-132. سپهردوست، ح.؛ صدری، ل. (1396)، اثر فناوری اطلاعات و ارتباطات بر رشد بازار سرمایه؛ شواهد تجربی از بورس اوراق بهادار تهران، مطالعاتمدیریت کسبوکار هوشمند، دوره 5، شماره 19، بهار 1396، صفحه 1-28. Bingol, H. & Tasgin, M. (2006). Community detection in complex networks using genetic algorithms. Advances in Complex Systems, 11(4), 1-6. Brandes, U., Delling, D. & Gaetler, M. (2008). On Modularity Clustering. Transactions on Knowledge and Data Engineering, 20(2), 172-188. Chen, M., Kuzmin, K., Boleslaw, K., & Szymanski, F. (2014). Community Detection via Maximization of Modularity and Its Variants. Trans. Computation Social System, 1(1), 46-65. Choudhury, D. & Paul, A. (2013). Community Detection in Social Networks: An Overview. International Journal of Research in Engineering and Technology, 2(2), 6-13. Fortunato, S. & Barthelemy, M. (2007). Resolution limit in community detection. PNAS, 104(1), 36-41. Fortunato, S. (2010). Community detection in graphs. Physics Reports, 486(3), 1–100. Ghorbanian, A. & Shaqaqi, B. (2015). A Genetic Algorithm for Modularity Density Optimization in Community Detection. International Journal of Economy, Management and Social Sciences, 4(1), 117-122. Gleiser, P. & Danon, L. (2003). Community Structure in Jazz. Advances in Complex Systems, 6(4), 565-573. Guesmi, S., Trabelsi, C., & Latiri, C., (2016). Community detection in multi-relational bibliographic networks, Database and Expert Systems Applications, vol. 9828 of Lecture Notes in Computer Science, 11–18, Springer International Publishing, Cham, Switzerland, 2016. Guimera, R. & Amaral, L. (2005). Functional Cartography of Complex Metabolic Networks. Nature, 433(2), 895-900. Guoqiang, C. & Xiaofang, G. (2010). A Genetic Algorithm Based on Modularity Density for Detecting Community Structure in Complex Networks. Computational Intelligence and Security, 20(4), 151-154. Griechisch, E. & Pluhar, A. (2011). Community Detection by using the Extended Modularity. Acta Cybernetica, 20(1), 69-85. Hafez, A., Ghali, N., Hassanien, A. & Fahmy, A. (2012). Genetic Algorithms for community detection in social networks. Intelligent Systems Design and Applications, 10(2), 460-465. Hosseinian, A.H., & Baradaran, V. (2018). A multi-objective multi-agent optimization algorithm for the community detection problem. Journal of Information Systems and Telecommunication, 6(3), 166-176. Li, Z., Pan, Z., Zhang, Y., Li, G., & Hu, G., (2016). Efficient Community Detection in Heterogeneous Social Networks, Mathematical Problems in Engineering, Volume 2016, http://dx.doi.org/10.1155/2016/5750645. Mahmood, A., & Small, M., (2016). Subspace based network community detection using sparse linear coding, IEEE Transactions on Knowledge & Data Engineering, 28(3), 801–812. Mehrabian, A. & Lucas, C. (2006). A novel numerical optimization algorithm inspired from weed colonization. Ecological Informatics, 1(4), 355-366. Miller, B. & Goldberg, D. (1995). Genetic Algorithms, Tournament Selection, and the Effects of Noise. Complex Systems, 9(1), 193-212. Newman, M. & Girvan, M. (2004). Finding and evaluating community structure in networks. Phys. Rev, 69(2), 22-38. Newman, M. (2006). Finding community structure in networks using the eigenvectors of matrices. Phys. Rev, 1(3), 12-34. Peel, L., Larremore, D.B., & Clauset, A., (2017). The ground truth about mega-data and community detection in networks, Science Advances, 3(5), 1-8, DOI: 10.1126/sciadv.1602548. Pizzuti, C. (2008). GA-Net: A Genetic Algorithm for Community Detection in Social Networks. Computer Science, 5199(1), 1081-1090. Shaqaqi, B., Teimourpour, B. & Ghorbanian, A. (January, 2015). A new heuristic algorithm for modularity optimization in complex networks community detection. Proceedings of 11th Industrial Engineering Conference, Tehran, Iran. Shaqaqi, B. (2014). A Mathematical Programming Model based on modularity density for community detection. M.Sc dissertation, Tarbiat Modares University, Faculty of Engineering. Shi, C., Yan, Z., Wang, Y., Cai, Y. & Wu, B. (2010). A Genetic Algorithm for Detecting Communities in Largescale Complex Networks. Advance in Complex System, 13(1), 3-17. Shi, C., Yan, Z., Cai, Y. & Wu, B. (2012). Multi-objective community detection in complex networks. Applied Soft Computing, 12(2), 850-859. Win, H.N., & Lynn, K.T. (2017). Community detection in Facebook with outlier recognition. 18th IEEE/ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing (SNPD), Kanazawa, Japan. Zhang, H., Qiut, B., Giles, L., Foley, H. & Yen, J. (2007). An LDA-based Community Structure Discovery.Intelligence and Security Informatics, 400(2), 200-207. Zhang, S. & Li, Z. (2008). Quantitative function for community detection. Physical Review, 77(3), 036109. Zhang, W., Pan, G., Wu, Z., & Li., S. (2014). Online Community Detection for Large Complex Networks. PLoS ONE, 9(7), 168-188.
| ||
|
آمار تعداد مشاهده مقاله: 1,267 تعداد دریافت فایل اصل مقاله: 809 |
||