, ,

دانلود سورس کد الگوریتم modularity maximization (ماکزیمم کردن ماژولاریتی)

الگوریتم تشخیص اجتماعات در شبکه های اجتماعی

الگوریتم modularity maximization ماکزیمم کردن ماژولاریتی


الگوریتم تشخیص اجتماعات در شبکه های اجتماعی

الگوریتم modularity maximization  یا ماکزیمم کردن ماژولاریتی، یکی از الگوریتم هایی که من در پایان نامه کارشناسی ارشد خود با موضوع بهبود صحت سیستم های توصیه گر (پیشنهاددهنده) در شبکه های اجتماعی با استفاده از تشخیص اجتماعات (انجمن ها) مورد استفاده قرار دادم بود که در این مقاله سورس کد الگوریتم modularity maximization (ماکزیمم کردن ماژولاریتی) جهت دانلود در اختیار شما قرار می گیرد. من این الگوریتم را بر روی نمونه داده شبکه اجتماعی epinion مورد استفاده قراردادم و اجتماعات(افرادی که بیشتر باهم در ارتباط هستند ) این شبکه اجتماعی را مشخص کردم

یکی از الگوریتم هایی که برای تشخیص اجتماعات در شبکه های اجتماعی  (community detection in social networks)به کار برده می شود modularity maximization ماکزیمم کردن ماژولاریتی است.

ماژولاریتی معیاری است که توزیع درجه گره‌ها را در نظر می‌گیرد و سعی می‌کند ساختار اجتماع را تحت قاعده و اصول درآورد.ما در پایان نامه از چندین الگوریتم تشخیص اجتماعات دیگر از جمله خوشه بندی طیفی نیز استفاده کردیم . برتری روش modularity maximization یا ماکزیمم کردن ماژولاریتی نسبت به روش های تشخیص اجتماعات دیگر در این  است که در الگورتم های دیگر نیاز است که تعداد خوشه ها را از قبل به الگوریتم بدهیم تا به خوشه بندی بهینه برسیم اما در روش modularity maximization  یا ماکزیمم کردن ماژولاریتی خودش به صورت سلسله مراتبی خوشه ها و اجتماعات را تشخیص می دهد.

در اینجا ما یک بسته دانلودی برای خرید برای شما آماده کرده ایم.

بسته حاوی موارد زیر می باشد:

  • یک فایل word شامل توضیح فرمول  و مثال تصویری از چگونگی کارکرد الگوریتم  ماکزیمم کردن ماژولاریتی

  • فایل PMM.m: پیاده سازی الگوریتم ماکزیمم کردن ماژولاریتی در زبان matlab

  • modularitymaximation.m: اسکریپتی که بالاترین بردارهای ویژه ماتریس ماژولاریتی را در یک شبکه داده شده محاسبه می کند

  • network.mat: یک مجموعه داده از شبکه بازی برای تست الگوریتم

  • readme: یک فایل راهنما جهت اجرای کد الگوریتم در زبان matlab

جهت خرید بر روی لینک زیر کلیک نمایید

[purchase_link id=”۱۱۷۹″ text=”اضافه‌کردن به سبدخرید” style=”button” color=”red”]

محتویات بسته دانلودی پس از خرید



  • یک فایل word

    شامل توضیح فرمول  و مثال تصویری از چگونگی کارکرد الگوریتم  ماکزیمم کردن ماژولاریتی

  • فایل PMM.m

    سورس کد الگوریتم modularity maximization ماکزیمم کردم ماژولاریتی در محیط برنامه نویسی matlab

  • modularitymaximation.m

    اسکریپتی در محیط برنامه نویسی matlab که بالاترین بردارهای ویژه ماتریس ماژولاریتی را در یک شبکه داده شده محاسبه می کند

  • network.mat

     یک مجموعه داده از شبکه بازی برای تست الگوریتم

  • readme

    یک فایل راهنما جهت اجرای کد الگوریتم در زبان matlab  برای افرادی که این بسته را تهیه کرده اند

/۰ دیدگاه/توسط
,

دانلود مقاله سیستم‌های توصیه گر در شبکه‌های اجتماعی مبتنی بر اعتماد

سیستم های پیشنهاددهنده در شبکه های مبتنی بر اعتماد

سیستم‌های توصیه گر در شبکه‌های اجتماعی مبتنی بر اعتماد موضوع بحث این مقاله است .سیستم‌های پیشنهاد دهنده سنتی معمولا کاربران را به طور مستقل در نظر می‌گیرند و ارتباطات اجتماعی آنان را مد نظر قرار نمی‌دهند که این مساله با واقعیت سازگاری ندارد چرا که کاربران معمولا از پیشنهاد‌های دوستانشان به خصوص دوستان قابل اعتماد استفاده می‌کنند.

در یک شبکه اجتماعی مبتنی بر اعتماد رابطه اجتماعی افراد بر اساس اعتماد آنها به یکدیگر تعریف می‌شود.

افراد قابل اعتماد، افرادی هستند که کاربر نظرات آنها را مرتبط و یا با ارزش می‌داند. در حقیقت در شبکه‌های اجتماعی مبتنی بر اعتماد تعامل افراد با یکدیگر بر اساس اعتماد آنها به نظرات یکدیگر است.

اعتماد به عنوان سطحی از باور ایجاد شده بین دو موجودیت بر روی یک محتوا است. سیستم‌های پیشنهاددهنده سنتی از تکنیک‌های مبتنی بر شباهت بین کاربران برای پیشنهاد آیتم‌ها استفاده می‌کنند. این روش‌ها در مسائلی همچون پراکندگی ماتریس کاربر – کالا، حملات خرابکارانه، عدم وضوح پیشنهادها و… دچار مشکل هستند. استفاده از اعتماد در حل مشکلات سیستم‌های پیشنهاددهنده موثر است. یکی از متداول‌ترین تکنیک‌ها در سیستم‌های پیشنهاددهنده فیلترینگ تعاونی است. در این مقاله بر آنیم که انگیزه استفاده از اعتماد به عنوان یک رابطه اجتماعی را در سیستم‌های پیشنهادهنده شرح دهیم و روش فیلترینگ تعاونی مبتنی بر اعتماد را مورد بررسی قرار دهیم.

کلمات کلیدی

سیستم‌های پیشنهاددهنده، شبکه‌های اجتماعی ، اعتماد ، فیلترینگ تعاونی

جهت دانلود و خرید مقاله از لینک زیر استفاده نمایید:

[purchase_link id=”۱۰۳۴″ style=”button” color=”red” text=”خرید”]

/۰ دیدگاه/توسط

دانلود مقاله چالش های محاسبات موبایل آگاه از متن context aware mobile computing

context aware mobile computing

امروزه محاسبات موبایل آگاه از متن context aware mobile computing به یک بحث مهم در مجامع علمی تبدیل شده است.

آگاه از متن (context aware ) توانایی ابزار ها و اپلیکیشن های ‎‎هوشمند برای شناسایی شرایط جاری  ‎و تطبیق رفتار مبتنی بر اطلاعات  می باشد. 

اپلیکیشن های آگاه از متن (contect aware) از این جهت  مفید هستند که هر روز اشیا را به هم وصل می کند و فرصت هایی را برای جمع آوری و استفاده از اطلاعات  از منابع مختلف فراهم می کند.

هدف سیستم های فراگیر این است که اطلاعات در هر مکان و در هر زمان در دسترس باشند و بنابراین یکی از چالش های این سیستم ها انطباق با وضعیت است.

context aware mobile computing

محاسبات موبایل آگاه از زمینه

مثالی از چگونگی محاسبات موبایل آگاه از متن context aware mobile computing

شرکتی برای تمام نمایندگان فروش اش یک جلسه ملاقات بزرگی را تطبیق داده است که در آن نتایج جدید ترین ارزیابی ها نمایش داده می شود و همکاران درباره استراتژی های بازاریابی بحث می کنند. همه سرپرستان یک صفحه نمایش بزرگ را برای محاوره با یک وایت برد مشترک در اتاق کنفرانس استفاده می کنند .یکی از نمایندگان فروش ،جیم ،باید اتاق را برای یک ملاقات ضروری با دندانپزشک ترک کند اما او در دسترس خواهد ماند تا با همکارانش درباره پیشنهادات بحث کند.او با پیام به همه مدیرانی که با او سر و کار دارند اطلاع می دهد که او اتاق را ترک کرده است.کنفرانس از صفحه نمایش در اتاق به وسیله مچی او انتقال می یابد.از آنجاییکه توانایی وسیله مچی محدود است کاربرد با توانایی کمتر اجرا می شود.زمانی که در صندلی دندانپزشک نشسته است جیم نمی خواهد که مزاحم شود و فقط نت ها و خلاصه ای از دقایق را روی وسیله دستی خود می بیند . هز زمان که یک وسیله با صفحه نمایش بزرگتر ویا قدرت پردازش بیشتر در همسایگی خود دید در صورتی که او اجازه استفاده از آن را داشته باشد، کاربرد از دوباره تطبیق پیدا می کند و تغییر مکان می دهد تا یک تجربه کاربری بهتری را فراهم کند.

عامل های مختلف بکار رفته در این سناریو

در این سناریو ‎actor‎ های مختلفی را در سطوح مختلفی از سازگاری دیدیم که می تواند در فرآیند تطبیق مقداردهی شود:

  • کاربر

جیم در حال حرکت است .بستر باید تضمین کند که کاربرد همراه او می رود.

  • ‎ متن

جریان های ویدیویی نمی تواند در صفحه نمایش کوچک وسیله دستی نمایش داده شود. محتوای پشتیبانی نشده باید فیلتر شود یا به شکل دیگر تغییر یابد

  • کاربرد

کاربرد به وسیله مچی انتقال پیدا می کند باید مولفه های استفاده نشده کاربرد غیر فعال شده یا از کاربرد حذف شوند

  • میان افزار

میان افزاری که نظارت کاربردهای منابع مشترک و اطلاع رسانی به کاربردها را زمانی که باتری کم است به عهده می گیرد.

  • شبکه

شبکه اطلاعات زمینه ای جدیدی را درباره منابع در محیط فراهم می کند و تغییر محل کاربرد به ‎host‎ را فرا هم می کند.

جهت دانلود ادامه مقاله بر روی لینک خرید زیر کلیک نمایید

[purchase_link id=”۱۰۲۶″ style=”button” color=”red” text=”خرید”]

/۰ دیدگاه/توسط
,

دانلود مقاله بهبود صحت سیستم های توصیه گر در شبکه های اجتماعی با خوشه بندی طیفی

خوشه بندی طیفی

این مقاله در اولین همایش ملی نقش دانشگاه های نسل سوم در اقتصاد مقاومتی در دانشگاه علمی کاربردی زنجان ارائه شده است

چکیده:

شبکه های اجتماعی مجازی فرصت های جدیدی را برای کسب و کارهای الکترونیک فراهم کرده اند تا از محاورات اجتماعی در اینترنت در زمینه های مختلف کسب و کار اینترنتی بهره مند شوند. در این میان سیستم های توصیه گر با ارائه پیشنهادهای خرید با در نظر گرفتن تاریخچه خرید مشتریان و علایق آنها نقش به سزایی در بهبود کسب و کار اینترنتی ارائه می نمایند. در این مقاله قصد داریم مسئله تاثیر روابط اجتماعی در صحت پیشنهادهای ارائه شده توسط سیستم‌های توصیه گر کالا را بررسی کنیم. برای این منظور سعی کردیم از روش خوشه بندی طیفی۱ استفادهه کنیم به طوری که افرادی که بیشتر با هم در تعامل و ارتباط هستند در داخل یک خوشه قرار بگیرند. فرض ما بر این است که افراد درون یک خوشه از آنجاییکه بیشتر با هم در ارتباط‌ اند در نتیجه علاقه‌مندی‌هایشان در مورد کالاهای مختلف به هم شبیه است و این مسئله منجر به بهبود صحت سیستم پیشنهاددهنده خواهد شد. لذا پس از تشخیص خوشه‌ها (اجتماعات) الگوریتم فیلترینگ تعاونی ۲را بر روی اعضای خوشه بکار برده و نتایج را با زمانی که بخواهیم از خوشه‌ها استفاده نکنیم مقایسه کرده‌ایم. روش پیشنهادی بر روی مجموعه داده Epinion پیاده سازی شده است که نتایج حاصل از آزمونها بیانگر بهبود صحت سیستم توصیه گر است.

اگر مایل به دانلود سورس کد الگوریتم خوشه بندی طیفی هستید می توانید از طریق لینک زیر سورس کد الگوریتم خوشه بندی طیفی و مقاله ای که در آن از این الگوریتم استفاده شده است را خریداری نمایید.

خرید سورس کد الگوریتم خوشه بندی طیفی به همراه مقاله 

 

/۲ دیدگاه/توسط
, ,

دانلود سورس کد الگوریتم خوشه بندی طیفی(spectral clustering) در زبان matlab

دانلود سورس کد الگوریتم خوشه بندی طیفی(spectral clustering) در زبان matlab

یکی از الگوریتم هایی که من در پایان نامه ام بکاربردم تا اجتماعات (انجمن ها) را در شبکه های اجتماعی تشخیص دهم ، الگوریتم خوشه بندی طیفی spectral clustering  بود .این الگوریتم که از  مساله بخش‌بندی گراف(Graph partitioning) مشتق می‌شود نشان داده است که در زمینه‌های مختلفی مثل گراف‌، متن، عکس و … به خوبی عمل می‌کند. هدف این الگوریتم این است که بخش‌هایی را در گراف شبکه بیابد که برش(cut) (تعداد کلی لبه های بین دو مجموعه غیر متصل از گره‌ها) مینیمم شود.

خوشه بندی طیفی

خوشه بندی طیفی

در برنامه نویسی matlab  ما سورس کد این الگوریتم را ارائه داده ایم .

ورودی و خروجی آن به صورت زیر است:

  • ورودی: ماتریس مجاورتG و تعداد خوشه‌ها k
  • خروجی: خوشه‌های تشخیص داده شده

در اینجا فایلی جهت دانلود گذاشته شده است که شامل:

  1.  سورس کد الگوریتم خوشه بندی طیفی (spectral clustering) در زبان برنامه نویسی matlab و با پسوند .m
  2.  یک فایل با پسوندdocx (ورد) که در آن توضیحاتی در رابطه با این الگوریتم به همراه تصویر داده شده است.

من الگوریتم خوشه بندی طیفی را بر روی نمونه داده شبکه اجتماعی epinion مورد استفاده قراردادم و اجتماعات(افرادی که بیشتر باهم در ارتباط هستند ) این شبکه اجتماعی را مشخص کردم

مقاله بهبود صحت سیستم های توصیه گر در شبکه های اجتماعی با خوشه بندی طیفی نیز روش استفاده از الگوریتم خوشه بندی طیفی را برای تشخیص اجتماعات نشان می دهد که از این خوشه های مشخص شده برای بهبود سیستم های توصیه گر استفاده شده است.

جهت خرید این فایل  دکمه‌ی “خرید” را بزنید. بعد از پرداخت از درگاه زرین پال، لینک دانلود به آدرس ایمیل شما ارسال خواهد شد و همین طور می توانید مستقیما فایل را دانلود نمایید .

نکته : جهت دانلود راحت تر از Download Manager استفاده کنید تا در صورت قطع شدن ارتباط در طول دانلود بتوانید روند دانلود را مجدداً ادامه دهید. ضمناً لینک دانلود به مدت ۳ روز معتبر خواهد بود

محتویات بسته دانلودی پس از خرید

  • سورس کد

    سورس کد الگوریتم خوشه بندی طیفی (spectral clustering) در زبان برنامه نویسی matlab و با پسوند .m

  • راهنما

    یک فایل با پسوندdocx (ورد) که در آن توضیحاتی در رابطه با این الگوریتم به همراه تصویر داده شده است.

[purchase_link id=”۶۱۹″ style=”button” color=”red” text=”خرید”]

/۷ دیدگاه/توسط
,

داده کاوی در شبکه های اجتماعی ،دانلود گزارش سمینار کارشناسی ارشد

داده کاوی در شبکه های اجتماعی (data mining in social networks) یکی از موضوعات پر طرفدار است.

یک شبکه اجتماعی به عنوان یک ساختار اجتماعی از اشخاص تعریف می شود . این اشخاص می توانند به صورت مستقیم یا غیر مستقیم محاوره داشته باشند و رابطه ای مثل دوستی،اشتراک فایل،ارسال ایمیل و..با هم برقرار نمایند.

از چنین شبکه هایی می توان ‎facebook  ,myspace‎ و … را نام برد.  داده کاوی در شبکه های تجتماعی و آنالیز آنها با تکنیک های مختلف اخیرا مورد توجه قرار گرفته است .

هدف اصلی توجه به داده کاوی در شبکه های اجتماعی ، تقاضا برای جستجوی دانش از مجموعه داده ها و یادگیری رفتار کاربران در محیط آنلاین است.

برای نمایش شبکه های اجتماعی از یک گراف استفاده می شود . در این گراف گره ها نشاندهنده افراد و لینک های گراف نشاندهنده ارتباطات بین افراد می باشد.

کاربردهای داده کاوی در شبکه های اجتماعی را در زمینه های مختلفی می توان بیان کرد .

برای مثال زمانی که می خواهیم مشخص کنیم که چگونه یک محصول را در ‎my space‎ بازاریابی کنیم ،استفاده از تکنیک های داده کاوی در شبکه های اجتماعی در موارد زیر کاربرد خواهد داشت:

  • به منظور تشخیص کاربرهای (actor) مهم و مرکزی
  • تشخیص محاورات افراد در گروه ها
  • تشخیص کاربر هایی که به عنوان پل بین دو گروه هستند
  • چگونگی پخش اطلاعات در شبکه

در شبکه های اجتماعی سوالات زیادی در سطح گره،سطح زیر گروه و سطح شبکه وجود دارد که در حوزه داده کاوی در شبکه های اجتماعی می توان در مورد آنها تحقیق کرد.

در این گزارش سمینار تاکید ما بیشتر بر روی کشف اجتماع (community detection) در شبکه های اجتماعی است.

اجتماع، مجموعه ای از کاربر ها است که در طولانی مدت به طور مکرر با هم محاوره و ارتباط دارند. بحث در حوزه اجتماعات پیرامون گروه بندی, خوشه بندی و پیدا کردن زیر گرو ها وگراف کاوی و لینک کاوی است.

یکی از کاربردهای تشخیص اجتماعات این است که افرادی که بیشتر با هم محاوره دارند معمولا علاقه مندی های مشابهی هم دارند. بنابراین اگر بتوانیم در یک شبکه اجتماعی ، اجتماعات و خوشه ها را تشخیص دهیم می توانیم از این موضوع برای اهدافی همچون بهبود صحت سیستم های پیشنهاد دهنده  استفاده نماییم.

محتوای گزارش سمینار:

در این سمینار سعی ما بر آن است که ابتدا به شرح مختصری از شبکه های اجتماعی ارائه دهیم.  سپس وظایف داده کاوی در شبکه های اجتماعی را بیان می کنیم. پس از آن در زمینه تشخیص اجتماعات (community detection‎ ) وارد جزئیات می شویم و انواع ساختار ها را مورد بررسی قرار داده و قوانین پایه برای کشف اجتماعات را بررسی می کنیم و در رابطه با برخی پیاده سازی های صورت گرفته در شبکه های اجتماعی مختلف از قبیل یوتیوب در زمینه کشف اجتماع صحبت خواهیم کرد. این گزارش اطلاعات خوبی را در زمینه داده کاوی در شبکه های اجتماعی در اختیار شما قرار خواهد داد.

تعداد صفحات: ۵۶ صفحه

اندازه فایل: ۲.81mb

نوع فایل:PDF

جهت خرید این فایل  دکمه‌ی “خرید” را بزنید. بعد از پرداخت از درگاه زرین پال، لینک دانلود به آدرس ایمیل شما ارسال خواهد شد و همین طور می توانید مستقیما فایل را دانلود نمایید .

نکته : جهت دانلود راحت تر از Download Manager استفاده کنید تا در صورت قطع شدن ارتباط در طول دانلود بتوانید روند دانلود را مجدداً ادامه دهید. ضمناً لینک دانلود به مدت ۳ روز معتبر خواهد بود

[purchase_link id=”۴۲۱″ style=”button” color=”red” text=”خرید”]


جهت خرید نسخه زی پرشین و فایل پاور پوینت گزارش سمیناربر روی لینک خرید زیر کلیک نمایید.

اندازه فایل:۱۲.۵ مگا بایت

نوع فایل: پوشه حاوی فایل های زی پرشین گزارش سمینار و فایل پاورپوینت

[purchase_link id=”۴۷۷″ style=”button” color=”red” text=”خرید”]

دانلود نسخه پرتابل زی پرشین

جهت استفاده باید فونت های لازم از قبل xb zar,xb tire,xb traffic را دانلود نمایید.


/۳ دیدگاه/توسط
,

(سیستم های توصیه گر در شبکه های اجتماعی)دانلود مقاله با عنوان ارائه روشی جهت بهبود صحت سیستم‌های پیشنهاددهنده در شبکه‌های اجتماعی با استفاده از تشخیص انجمن‌ها

سیستم های توصیه گر در شبکه های اجتماعی

سیستم های توصیه گر در شبکه های اجتماعی

این مقاله در اولین همایش سیستم های هوشمند کامپیوتری دانشگاه پیام نور ارائه شده است.

چکیده مقاله سیستم های توصیه گر در شبکه های اجتماعی: جستجو برای خرید کالا در سایت‌های شبکه‌های اجتماعی اغلب برای کاربران کار وقت‌گیری می‌باشد. سیستم‌های تجارت الکترنیک سعی کرده‌اند به منظور کمک به مشتریان در تصمیم‌گیری، سیستم‌های پشتیبانی از تصمیم مبتنی بر وب شخصی شده از قبیل سیستم‌های توصیه گر را معرفی کنند. سیستم‌های پیشنهاد دهنده، پیشنهادهای شخصی شده را بر اساس تاریخچه خرید مشتریان و علایق آنها فراهم می‌کند و از این طریق آنها را در تصمیم‌گیری خرید پشتیبانی می‌کنند. تصمیمات خرید معمولا تحت تاثیر نظرات افرادی است که آنها را می‌شناسیم یا به آنها اعتماد داریم. در این مقاله ما قصد داریم برای کمک به تصمیم گیری خرید کاربران  با استفاده از الگوریتم تشخیص انجمن‌ها در شبکه‌های اجتماعی، کاربرانی که بیشتر با یکدیگر تعامل دارند را خوشه‌بندی نموده و از خوشه‌های ایجاد شده در بهبود عملکرد سیستم پیشنهاد‌دهنده استفاده کنیم و به این ترتیب نقش سیستم های توصیه گر در شبکه های اجتماعی را نشان دهیم

تعداد صفحات: ۶ صفحه

اندازه فایل: 843kB

قیمت:۵۰۰۰ تومان

جهت خرید این فایل سیستم های توصیه گر در شبکه های اجتماعی دکمه‌ی “خرید” را بزنید. بعد از پرداخت از درگاه زرین پال، لینک دانلود به آدرس ایمیل شما ارسال خواهد شد و همین طور می توانید مستقیما فایل را دانلود نمایید .

نکته : جهت دانلود راحت تر  فایل سیستم های توصیه گر در شبکه های اجتماعی از Download Manager استفاده کنید تا در صورت قطع شدن ارتباط در طول دانلود بتوانید روند دانلود را مجدداً ادامه دهید. ضمناً لینک دانلود به مدت ۳ روز معتبر خواهد بود

[purchase_link id=”۴۹۰″ style=”button” color=”red” text=”خرید”]

/۹ دیدگاه/توسط