عنوان انگلیسی مقاله:

Multi-layer graph analysis for dynamic social networks

ترجمه عنوان مقاله: تجزیه تحلیل نمودار چند لایه ای برای شبکه های اجتماعی پویا

$$$: فقط 19500 تومان

سال انتشار: 2014

تعداد صفحات مقاله انگلیسی: 10 صفحه

تعداد صفحات ترجمه مقاله: 24 صفحه

منبع: IEEE

نوع فایل: word

http://modir123.com/photo%20site/D-modir123.com%20_2_.png دانلود مقاله

 

فهرست مطالب

  • چکیده
  • مقدمه
  • شبکه های چند لایه ای
  • توصیف مدل سلسله مراتبی
  • مدلسازی مخلوط POSTERIOR یا بعدی
  • مثال شبیه سازی
  • خلاصه سازی پارتو PARETO
  • مدلهای بلوک تصادفی و DSBM
  • مثال ENRON
  • کارهای مرتبط
  • نتیجه گیری
  • ضمیمه A: راه حل دو توزیع گاووسی GAUSSIAN
  • منابع

ترجمه چکیده مقاله

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 ها از 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، مدل های گرافیکی مخلوط، بهینگی Pareto

ترجمه مقدمه مقاله

بطور طبیعی شبکه های چندلایه ای هنگامی بوجود می آیند که بیش از یک منبع اتصال اطلاعات برای یک گروه از کاربران وجود داشته باشد. برای مثال در یک زمینه شبکه های اجتماعی، اغلب دانشی از لینک های ارتباطی مستقیم یعنی اطلاعات رابطه ای یا مرتبط، وجود دارد. نمونه هایی از اطلاعات رابطه ای شامل فرکانس هایی هستند که با آنها، کاربران با تمام رسانه های اجتماعی درارتباط هستند یا اینکه کاربران ایمیل هایی را از کاربران دیگر در مدت زمان داده شده، دریافت می کنند یا می فرستند. با این حال همچنین ممکن است روابط رفتاری براساس اعمال یا منافع کاربر، استخراج شوند. این روابط رفتاری از اطلاعاتی استنباط می شوند که مستقیما به کاربر متصل نیستند مانند اولویت های فردی یا آمار کاربرد و استفاده. در این مقاله ما نشان می دهیم که چگونه با لایه های متعدد شبکه ی اجتماعی در هنگام انجام کارهایی مانند استنتاج، خوشه بندی، و تشخیص ناهنجاری مقابله کنیم. ما یک مدل متغیر-پنهان سلسله مراتبی مولد را برای شبکه های چند لایه ای را پشنهاد دادیم و نشان دادیم که چگونه عمل استنتاج بر پارامترهای آن انجام می شود. با استفاده از تکنیک های میانگین گیری مدل Bayesian (1) ، لایه های شبکه از نظر شرایط با استفاده از یک متغیر انتخابی نهفته، جدا شدند ؛ این امر امکان نوشتن احتمال بعدی متغیرهای پنهان داده شده به شبکه چندلایه ای را ایجاد می کند. مخلوط حاصل می تواند به عنوان عددی سازی مشکل بهینگی چند هدفه مشاهده شود (2،3،4). هنگامی که توابع احتمال بعدی، محدب هستند، عددی سازی هم مطلوب است و هم با استنتاج میانگین گیری مدل از اصل Bayesian سازگار است (2،5). سپس ما به مرحله ای از تنظیمات Bayesian برمی گردیم و در مورد اینکه چگونه بهینه سازی اهداف چندگانه می توانند برای انجام برآورد MAP از متغیرهای پنهان مورد نظر مورد استفاده قرار گیرند، به بحث می پردازیم. با استفاده از مفهوم بهینه سازی Pareto (4)، یک کل یا تمام مقابل راه حل، تعریف می شود؛ این کل اجازه می دهد که کاربر یک اولویت را برای تمام توابع بهینه تعریف کند و برطبق آن الگوریتم را تنظیم کند. در نتیجه سطحی از بهینه سازی و استنباط نظارت شده است، که ساختار شبکه های چندلایه ای را بدون عددی سازی استفاده می کند. آزمایش ها بر نمونه های شبیه سازی شده نشان دادند که بازده روش ما، خوشه بندی عملکرد را در شرایط شلوغ بهبود می بخشد. سپس چارچوب توسعه داده شده با مدل بلوک تصادفی پویا (DSBM) ترکیب می شود (6)، که انواعی از پدیده های شبکه ی تمپورال یا زمانی پیچیده را بدست می آورد. در نهایت DSBM چندلایه ای، برای مجموعه داده های جهان واقعی که از جسم یا پیکره ایمیل ENRON گرفته شده اند، بکار برده می شود. این مثال نشان می دهد که چگونه ما می توانیم دو لایه از شبکه را برای کشف ارتباطات پیچیده از طریق دو پارامتر مخلوط کننده لایه و زمان ، ترکیب کنیم.

 

ترجمه قسمتی از نتیجه گیری مقاله

ما یک روش جدید برای استنتاج شبکه های چندلایه ای معرفی کردیم. مدل سلسله مراتبی بطور مشترک برای توصیف ماتریس مشاهدات شلوغی بکار برده شد و برآورد MAP بر روی متغیرهای پنهان مربوطه انجام گرفت. مثال شبیه سازی با استفاده از خوشه بندی نشان داد که مخلوط لایه ها تحت شرایط صحیح می توانند منجر به نتایج بهتری شوند، و احتمالا درک بهتری از ساختار اساسی میان کاربران را می دهد. مثال زندگی حقیقی نیز با استفاده از مجموعه داده ایمیل ENRON مورد بحث قرار گرفت. روش توسعه داده شده در اینجا برای تکنیک های بهینه سازی چندهدفه غیرخطی به منظور کشف راه های دیگر استنتاج گیری شبکه های چندلایه ای مانند رتبه بندی Pareto (12) یا رتبه بندی پسین Pareto (27)، توسعه داده شد.

چکیده انگلیسی مقاله

Modern social networks frequently encompass 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 optimality