پروپوزال مهندسی کامپیوتر تشخیص جامعه در شبکه های اجتماعی موبایل مبتنی بر موقعیت

 

در نمونه پروپوزال ارشد مهندسی کامپیوتر به دنبال ارائه طرحی جهت یادگیری دانشجویان ارشد با ساختار کلی پروپوزال هستیم که دانشجو بتواند با مطالعه پروپوزال در روند انجام پایان نامه ارشد آشنایی پیدا کند و توان تدوین پروپوزال و پایان نامه را داشته باشد.از آنجایی که دانشجویان در مقطع ارشد آشنایی اولیه ای با روند انجام پروپوزال و انجام پایان نامه ندارند و در این مسیر نیازمند مشاوره در انجام پایان نامه هستند بنابراین سعی شده است که با ارائه موضوعات پایان نامه،نمونه پروپوزال ارشد و نمونه پایان نامه ارشد دانشجویان را در این مسیر یاری رسانده و آشنایی لازم را در این مسیر کسب نمایند.لازم است که دانشجویان عزیر با دقت نمونه موضوعات پایان نامه و نمونه پروپوزال ها و پایان نام های ارائه شده را با دقت مطالعه نموده و با نمونه برداری از هر قسمت به تدوین پروپوزال و پایان نامه خود اقدام نمایند.امید است که در این راه بتوانیم همواره مشاور و همراه شما باشیم .

در قسمت دفاعیه پایان نامه نیز نمونه پاورپوینت ارشد قرار داده هست که دانشجویان بتوانند جهت اماده سازی پاورپوینت دفاع پایان نامه استفاده نمایند.یک دفاع موفق منوط به مطالعه با دقت پایان نامه و رفع اشکال پایان نامه و سپس ارائه پاورپوینت با قسمت های پایان نامه همراه با آرامش در زمان دفاع می باشد.موسسه ادیب مشاور همواره در تمامی این مراحل در کنار شما عزیزان خواهد بود.

 

مقدمه و بیان مساله

شبکه اجتماعی موبایل (MSN) [1]با ترکیب مفاهیم دو رشته متفاوت، شبکه های اجتماعی (از علوم اجتماعی) و شبکه ارتباطات تلفن همراه، معرفی شده است.

تعریف Community Detection : تعریف عمومی برای جامعه وجود ندارد. یک جامعه نسبت به مشخصات گره های درون آن و کاربرد آن تعریف می شود. [2]

انواع دسته بندی ساختار شبکه  [3]

  • براساس توپولوژی (hierarchical، Non-hierarchical)
    • در hierarchical گراف ممکن است سطوح مختلفی از جامعه را دارا باشد که شامل جامعه های کوچکتر درون یک جامعه بزرگ باشد در حالی که در Non- hierarchical زیر گروه دارای یک ساختار مسطح است
  • مبتنی بر عضویت (overlapping و non-overlapping)
    • در حالت overlapping، یک گره می تواند عضو بیشتر از یک جامعه باشد در حالی که در حالت non- overlapping هر گره فقط عضو یک جامعه است
  • ساختار مبتنی بر زمان (dynamic و static)
    • در حالت dynamic، ساختار جامعه مانند تعداد گره ها و روابط بین آنها ممکن است در طول زمان تکامل یابد، در حالی که در حالت static ساختار جامعه در طول زمان ثابت است.
  • شبکه های فرصت طلب (Opportunistic Networks)

روش های موجود برای تشخیص جامعه با استفاده از موقعیت مکانی:

  • روش معرفی شده توسط Zhi Liu [4]
    • در این روش با در نظر گرفتن موقعیت نودها به همراه هدف اصلی که افزایش کیفیت نتایج تشخیص جامعه از نظر درجه درونی، دقت و طول جغرافیایی جوامع پیشنهادی است، اقدام به تشخیص جامعه می کند.
  • روش معرفی شده توسط Kwan Hui Lim [6]
    • در این روش برای تشخیص جوامع location-centric ابندا یک گراف G =(N,Et) از شبکه درست می کند که N مجموعه ایی از کاربران و Et مجموعه ایی ار ارتباطات است. سپس یکی از روش های معمول تشخیص جامعه بر روی گراف را روی گراف تولید شده اعمال می کند.

مشکلات روش های بیان شده:

  • روش معرفی شده توسط Zhi Liu
    • عدم امکان شناسایی نودها در شبکه های Overlap
    • Dynamic نبودن شبکه
    • Online نبودن شبکه
  • روش معرفی شده توسط Kwan Hui Lim
    • عدم امکان شناسایی نودها در شبکه های Overlap
    • Dynamic نبودن شبکه
    • Online نبودن شبکه

هدف ما در این پایان نامه ارائه روشی برای تشخیص جامعه در شبکه های Overlap و Online می باشد که در دنیای واقعی بسیار نزدیک تر به شبکه های اجتماعی موبایل می باشد.

برای حصول به این هدف کارهای زیر انجام می شود:

  • بهبود روش ارائه شده توسط Zhi Liu جهت شناسایی نودها در شبکه های Overlap
    • روش ارزیابی الگوریتم: مقایسه الگوریتم با روش های مشابه
      • استفاده از تابع NMI
      • LFR Benchmark
    • Dataset های مورد استفاده:
      • Gowalla
      • Brightkite

 

  • پیاده سازی الگوریتم جدید مبتنی بر روش LPA برای شناسایی نودها در شبکه های Overlap و Online با استفاده از موقعیت مکانی کاربر
    • روش ارزیابی الگوریتم: مقایسه الگوریتم با روش های مشابه
      • استفاده از تابع NMI
      • LFR Benchmark
    • Dataset های مورد استفاده:
      • Gowalla
      • Brightkite

 

سوابق مربوط (بيان مختصر سابقه تحقيقات انجام شده درباره موضوع و نتايج بدست آمده در داخل و خارج از کشور و مقایسه آنها در راستای موضوع تحقیق:

روش Spectral Clustering :

فرض کنید یک مجموعه n تایی داریم که تابع تشابه S بین هر دو عضو تعریف شده است که هر عضو آن متقارن و مثبت است. [7]Spectral clustering شامل تمام روش ها و تکنیک هایی است که از ماتریس eigenvectors برای خوشه بندی استفاده می کنند. Spectral clustering شامل تبدیل مجموعه اولیه از اشیاء به مجموعه ایی از نقاط در فضا است که مختصات این نقاط عناصر بردار eigenvectors است، سپس این مجموعه را می توان با روش k-means خوشه بندی کرد. ممکن است این سوال مطرح شود که چرا نیاز است نقاط بدست امده از ماتریس eigenvectors را خوشه بندی کرد، زمانیکه می توان به طور مستقیم مجموعه اولیه از اشیاء را بر اساس ماتریس شباهت خوشه بندی کرد. دلیل آن این است که تغییر ناشی استفاده از بردار eigenvectors باعث بیشتر نمایان شدن خواص مجموعه داده های اولیه می شود.

 

روش های مبتنی بر LPA:

LPA یکی از سریع ترین الگوریتم های تشخیص اجتماع است که توسط Raghavan معرفی شده است. این الگوریتم با دادن یک برچسب منحصر به فرد به هر راس شروع می شود. در هر تکرار راسی برچسب دریافت می کند که همسایگان بیشتری داشته باشد. این الگوریتم دارای پیچیدگی زمانی خطی، بسیار ساده و بدون پارامتر است.

الگوریتم های مختلفی بر اساس LPA منتشر شده است که اکثر آنها بر روی جوامع Non-Overlap کار می کنند و  تعداد کمی الگوریتم وجود دارد که جوامع Overlap را شناسایی کند. یکی از این الگوریتم ها COPRA [8] نام دارد. COPRA اولین الگوریتمی است که با استفاده از LPA برای تشخیص جوامع Overlap مطرح شد. این الگوریتم بسیار سریع است و اجازه می دهد تا هر راس در  V جامعه عضو باشد. V پارامتر این الگوریتم است و مستقل از راس است. الگوریتم های دیگری نظیر [9]OSLOM ، [10]BMLPA،SLPA [11]،Speakeasy [12] و … با استفاده از روش LPA برای تشخیص جوامع Overlap وجود دارند.

روش های تشخیص اجتماع در شبکه های اجتماعی موبایل

روش Simple method [13] با طبقه بندی هر جفت گره محلی براساس مدت زمان تماس با یکدیگر اقدام به تشخیص جامعه می کند. روش TopGC [14] با استفاده از Hash کردن حساسیت محلی هر جامعه که باعث این می شود که جوامع یکسان مقادیر یکسانی را به اشتراک بگذارند، مجموعه ای از نودهای مشترک در یک جامعه را پیدا و در یک خوشه نگه می دارد، سپس فقط دمبال خوشه با بالاترین امتیاز می گردد. روش های مختلف دیگری نظیر Modularity [13]، K-clique [13]، SLPA [11]، PEC [15]، DOCNET [16]، CDDW [17] و … نیز وجود دارد.

 

  • روش معرفی شده توسط Zhi Liu
    • در این روش با در نظر گرفتن موقعیت نودها به همراه هدف اصلی که افزایش کیفیت نتایج تشخیص جامعه از نظر درجه درونی، دقت و طول جغرافیایی جوامع پیشنهادی است، اقدام به تشخیص جامعه می کند..
  • روش معرفی شده توسط Kwan Hui Lim
  • در این روش برای تشخیص جوامع location-centric ابندا یک گراف G =(N,Et) از شبکه درست می کند که N مجموعه ایی از کاربران و Et مجموعه ایی ار ارتباطات است. سپس یکی از روش های معمول تشخیص جامعه بر روی گراف را روی گراف تولید شده اعمال می کند.

اهداف تحقیق

ارائه روشی برای تشخیص جامعه در شبکه های Overlap ، non-Overlapو Online می باشد که در دنیای واقعی بسیار نزدیک تر به شبکه های اجتماعی موبایل می باشد.

برای حصول به این هدف کارهای زیر انجام می شود:

  • بهبود روش ارائه شده توسط Zhi Liu جهت شناسایی نودها در شبکه های Overlap

پیاده سازی الگوریتم جدید مبتنی بر روش LPA برای شناسایی نودها در شبکه های Overlap و Online با استفاده از موقعیت مکانی کاربر

فرضیه ها 

در این تحقیق فرض بر این شده که شبکه مورد بررسی بدون وزن و بدون جهت است.

نوآوری تحقیق

در این پایان نامه روشی برای تشخیص جامعه در شبکه های مبتنی برمکان(LBSN) طرح شده است که توانایی شناسایی نودها در جوامع Overlap ، non-Overlapو Online را دارد که برای تشخیص جامعه در دنیای واقعی بسیار نزدیک تر به شبکه های اجتماعی موبایل می باشد.

 

پروپوزال مهندسی کامپیوتر تشخیص مدل خودرو بر پایه استخراج ویژگی محلی از تصویر

پروپوزال کامپیوتر بهینه سازی مصرف انرژی در شبکه محاسباتی ابر با استفاده از استراتژی زمانبندی مهاجرت ماشینهای مجازی

 مهندسی کامپیوتر

اگر برای هریک از موارد فوق نیاز به مشاوره رایگان دارید، همین الان با ما تماس بگیرید.