دانلود و نمایش مقالات مرتبط با اتوماتای یادگیر::صفحه 1
بلافاصله پس از پرداخت دانلود کنید
نتیجه جستجو - اتوماتای یادگیر

تعداد مقالات یافته شده: 2
ردیف عنوان نوع
1 روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 16 - تعداد صفحات فایل doc فارسی: 27
پیش بینی پیوند یک چالش بزرگ در شبکه های اجتماعی است که از ساختار شبکه ای برای پیش بینی پیوندهای آتی استفاده می کند. روش های رایج پیش بینی پیوند برای پیش بینی پیوندهای مخفی از نمایش گراف ایستا استفاده می کنند که در آن تصویری از شبکه برای یافتن پیوندهای آتی یا مخفی مورد استفاده قرار می گیرد. برای مثال، پیش بینی پیوند مبتنی بر معیار تشابه، روش سنتی رایجی است که معیار تشابه را برای تمامی پیوندهای غیرمتصل محاسبه نموده، پیوندها را براساس معیارهای تشابه آنها مرتب نموده و پیوندهای با امتیاز تشابه بالاتر را به عنوان پیوندهای آتی برچسب گذاری می کند. از آنجاکه فعالیت های افراد در شبکه های اجتماعی، پویا و غیرقطعی است، و ساختار شبکه ها با گذشت زمان تغییر می کند، استفاده از گراف های قطعی برای مدلسازی و تحلیل شبکه ی اجتماعی نمی تواند روش مناسبی باشد. در مسأله ی پیش-بینی پیوند سری های زمانی، احتمال وقوع پیوند سری های زمانی برای پیش بینی پیوندهای آتی مورد استفاده قرار می گیرد. ما در این مقاله یک روش پیش بینی پیوند سری های زمانی مبتنی بر اتوماتای یادگیر را پیشنهاد می کنیم. در الگوریتم پیشنهادی برای هر پیوندی که قرار است پیش بینی شود، یک اتوماسیون یادگیری داریم و هر اتوماسیون یادگیری در تلاش است وجود یا عدم وجود پیوند متناظر را پیش بینی کند. برای پیش بینی احتمال وقوع پیوند در زمان T، یک دنباله ی متشکل از مراحل 1 تا T-1 داریم و اتوماسیون یادگیری این مراحل را می پیماید تا وجود یا عدم وجود پیوند مربوطه را بیاموزد. زمانیکه احتمال وقوع پیوند سری های زمانی را در نظر بگیریم، آزمایشات اولیه ی پیش بینی پیوند با شبکه های ایمیل و نویسندگی مشترک، نتایج رضایت بخشی را فراهم می آورد.
کلیدواژه ها: شبکه ی اجتماعی | پیش بینی پیوند | سری های زمانی | اتوماتای یادگیر
مقاله ترجمه شده
2 Irregular cellular learning automata-based algorithm for sampling social networks
الگوریتم مبتنی بر اتوماتای یادگیری سلولی نامنظم برای نمونه برداری شبکه های اجتماعی-2017
Since online social networks usually have quite huge size and limited access, smaller subgraphs of them are often produced and analysed as the representative samples of original graphs. Sampling algorithms proposed so far are categorized into three main classes: node sampling, edge sampling, and topology-based sampling. Classic node sampling algorithm, despite its simplicity, performs surprisingly well in many situations. But the problem with node sampling is that the connectivity in sampled subgraph is less likely to be preserved. This paper proposes a topology–based node sampling algorithm using irregular cellular learning automata (ICLA), called ICLA-NS. In this algorithm, at first an initial sample subgraph of the input graph is generated using the node sampling method and then an ICLA isomorphic to the input graph is utilized to improve the sample in such a way that the connectivity of the sample is ensured and at the same time the high degree nodes are also included in the sample. Experimental results on real–world social networks indicate that the proposed sampling algorithm ICLA-NS preserves more accurately the underlying properties of the original graph compared to existing sampling methods in terms of Kolmogorov-Smirnov (KS) test.
Keywords: Complex networks | Social networks | Network sampling | Graph mining | Cellular learning automata
مقاله انگلیسی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی