ترکیب منطق فازی و مقیاس مرکزیت بردار ویژه در تحلیل شبکه اجتماعی

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

ترکیب منطق فازی و مقیاس مرکزیت بردار ویژه در تحلیل شبکه اجتماعی

عنوان لاتین

Combining fuzzy logic and eigenvector centrality measure in social network analysis

افزایش سریع استفاده از شبکه های اجتماعی پایه و اساس بسیار خوبی برای ارائه خدمات مختلف، افزایش سود خدمات و سود کسب و کار بوجود آورده است. در نتیجه با توجه به سطوح مختلف فعالیت های اعضا در این شبکه ها، یافتن اعضای شدیدا فعالی که می توانند بر روی انتخاب نقش اعضای دیگر اجتماع تأثیر بگذارند یکی از مهم ترین مسائل چالش برانگیز در سال های اخیر بوده است. این گره ها که معمولا دارای تعداد بسیار زیادی از روابط با تعداد زیادی از تعاملات کیفی می باشند، گره های تأثیرگذار نامیده می شوند. چندین نوع روش و معیار جهت یافتن این گره ها ارائه شده است. میان این معیارها، مرکزیت معیاری است که انواع مختلف گره های تأثیرگذار در یک شبکه را شناسایی می کند. در این جا ما چهار عامل مختلف تعریف می کنیم که بر روی قدرت یک رابطه تأثیر می گذارند. یک سیستم استنباط فازی قدرت هر یک از روابط را محاسبه می کند، یک ماتریس قطعی ایجاد می کند که در المان های مربوطه قدرت هر رابطه را شناسایی می کنند و با استفاده از این ماتریس، معیار بردار ویژه تأثیرگذارترین گره را محاسبه می کند. اعمال روش پیشنهادی ما منجربه انتخاب یک گره مرکزی حقیقی تر با توجه به قدرت تمامی روابط شد.

The rapid growth of social networks use has made a great platform to present different services, increasing beneficiary of services and business profit. Therefore considering different levels of member activities in these networks, finding highly active members who can have the influence on the choice and the role of other members of the community is one the most important and challenging issues in recent years. These nodes that usually have a high number of relations with a lot of quality interactions are called influential nodes. There are various types of methods and measures presented to find these nodes. Among all the measures, centrality is the one that identifies various types of influential nodes in a network. Here we define four different factors which affect the strength of a relationship. A fuzzy inference system calculates the strength of each relation, creates a crisp matrix in which the corresponding elements identify the strength of each relation, and using this matrix eigenvector measure calculates the most influential node. Applying our suggested method resulted in choosing a more realistic central node with consideration of the strength of all friendships.