دانلود مقاله تجزیه تحلیل نمودار چند لایه ای برای شبکه های اجتماعی پویا
تعداد کلمات فایل انگلیسی:6231 کلمه 10 صفحه pdf
تعداد صفحات فایل ترجمه :30صفحه word فونت 14 B Nazanin+ Regular
تجزیه تحلیل نمودار چند لایه ای برای شبکه های اجتماعی پویا
چکیده
شبکه های اجتماعی مدرن اغلب متشکل از چند نوع متمایز از اطلاعات ارتباطی هستند؛ برای مثال بطور صریح روابط دوستانه، ممکن است اعمال رفتاری را تکمیل کنند که کاربران با توجه به اقدامات یا منافع خودشان به آنها مرتبط می شوند. یکی از راه هایی که این شبکه ها را نشان می دهد گراف یا نمودارهای چندلایه ای هستند که در آنها هر لایه متشکل از مجموعه ی منحصربفردی از لبه ها یا مرزهایی هستند که زیربنای رئوس هستند (کاربران). معمولا لبه ها در لایه های مختلف به هم مرتبط هستند اما از نظر معنا متمایز و متفاوت هستند؛ که بسته به کاربرد لایه های چندگانه ممکن است به منظور کاهش نویز هااز طریق میانگین گیری استفاده شوند،و برای انجام آنالیز های چندوجهی یا ترکیبی این دو مورد استفاده قرار گیرند. با این حال مشخص نیست که چگونه تکنیک های آنالیز نمودار استاندارد، برای تنظیم چند لایه در یک مسیر انعطاف پذیر گسترش می یابند. در این مقاله مدلهای متغیر پنهان و روش هایی برای کاوش شبکه های چندلایه ای با الگوهای اتصال براساس داده های شلوغ را توسعه داده ایم.
کلمات کلیدی: ابرگراف، گراف های چندگانه، مدلهای گرافیکی مخلوط، بهینگی Pareto
Multi-layer graph analysis for dynamic social
networks
Brandon Oselio, Student Member, IEEE, Alex Kulesza, Alfred
multiple distinct types of connectivity information; for instance, explicitly acknowledged friend relationships might complement behavioral measures that link users according to their actions or interests. One way to represent these networks is as multi-layer graphs, where each layer contains a unique set of edges over the same underlying vertices (users). Edges in different layers typically have related but distinct semantics; depending on the application multiple layers might be used to reduce noise through averaging, to perform multifaceted analyses, or a combination of the two. However, it is not obvious how to extend standard graph analysis techniques to the multi-layer setting in a flexible way. In this paper we develop latent variable models and methods for mining multi-layer networks for connectivity patterns based on noisy data.
Index Terms—Hypergraphs, multigraphs, mixture graphical models, Pareto optimalit
کد:2-9816
دانلود رایگان مقاله انگلیسی
رمز فایل : www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله تجزیه تحلیل نمودار چند لایه ای برای شبکه های اجتماعی پویا
تعداد کلمات فایل انگلیسی:6231 کلمه 10 صفحه pdf
تعداد صفحات فایل ترجمه :30صفحه word فونت 14 B Nazanin+ Regular
تجزیه تحلیل نمودار چند لایه ای برای شبکه های اجتماعی پویا
چکیده
شبکه های اجتماعی مدرن اغلب متشکل از چند نوع متمایز از اطلاعات ارتباطی هستند؛ برای مثال بطور صریح روابط دوستانه، ممکن است اعمال رفتاری را تکمیل کنند که کاربران با توجه به اقدامات یا منافع خودشان به آنها مرتبط می شوند. یکی از راه هایی که این شبکه ها را نشان می دهد گراف یا نمودارهای چندلایه ای هستند که در آنها هر لایه متشکل از مجموعه ی منحصربفردی از لبه ها یا مرزهایی هستند که زیربنای رئوس هستند (کاربران). معمولا لبه ها در لایه های مختلف به هم مرتبط هستند اما از نظر معنا متمایز و متفاوت هستند؛ که بسته به کاربرد لایه های چندگانه ممکن است به منظور کاهش نویز هااز طریق میانگین گیری استفاده شوند،و برای انجام آنالیز های چندوجهی یا ترکیبی این دو مورد استفاده قرار گیرند. با این حال مشخص نیست که چگونه تکنیک های آنالیز نمودار استاندارد، برای تنظیم چند لایه در یک مسیر انعطاف پذیر گسترش می یابند. در این مقاله مدلهای متغیر پنهان و روش هایی برای کاوش شبکه های چندلایه ای با الگوهای اتصال براساس داده های شلوغ را توسعه داده ایم.
کلمات کلیدی: ابرگراف، گراف های چندگانه، مدلهای گرافیکی مخلوط، بهینگی Pareto
Multi-layer graph analysis for dynamic social
networks
Brandon Oselio, Student Member, IEEE, Alex Kulesza, Alfred
multiple distinct types of connectivity information; for instance, explicitly acknowledged friend relationships might complement behavioral measures that link users according to their actions or interests. One way to represent these networks is as multi-layer graphs, where each layer contains a unique set of edges over the same underlying vertices (users). Edges in different layers typically have related but distinct semantics; depending on the application multiple layers might be used to reduce noise through averaging, to perform multifaceted analyses, or a combination of the two. However, it is not obvious how to extend standard graph analysis techniques to the multi-layer setting in a flexible way. In this paper we develop latent variable models and methods for mining multi-layer networks for connectivity patterns based on noisy data.
Index Terms—Hypergraphs, multigraphs, mixture graphical models, Pareto optimalit
کد:2-9816
دانلود رایگان مقاله انگلیسی
رمز فایل : www.downloadmaghaleh.com