تشخیص جامعه پنهان در شبکه های اجتماعی

بیان مسئله تحقیق

درجامعه پیشرفته امروزی ارتباطات بشر از طریق فضاهای مجازی به ویژه بیشتر بوسیله شبکه های اجتماعی صورت می گیرد. لذا آنچه که در حوزه آنالیز شبکه اهمیت دارد تشخیص جوامع می باشد بدین منظور الگوریتم های کشف جوامع اکثراً بلکه تماماً متمرکز شده اند روی جوامع مستحکم و قوی وکمتر و شاید بتوان گفت حتی اصلا به جوامع ضعیف پرداخته نشده است.

      ما در این پژوهش ساختار جوامع ضعیف را با عنوان جوامع پنهان و یک رویکرد جدیدی را موسوم به تشخیص جامعه پنهان معرفی می نماییم. با ضعیف شدن دوام ساختار غالب، زیر ساختار پنهان آن آشکار می شود این رابطه به صورت معکوس هم قابل بررسی است .یعنی اینکه با کاهش دوام ساختار مخفی، دقیقا ساختار قوی شناسایی می شود و بدین طریق میتوان گفت تشخیص جامعه پنهان به طور همزمان از عهده ی هر دو وظیفه برمی آید و ما در شبکه های اجتماعی معروف همچون فیس بوک می توانیم چندین دست از گروه ها و جوامع غیر زائدی را بیابیم که قویاً با یکدیگر درارتباط هستندوبه وسیله الگوریتم های پیشرفته گروه صحیح، اساسی و غالب مشخص وکشف میگردد.

      درمورد اعضای گروه های این جوامع پنهان نیز وضع به همین صورت می باشد. در واقع می توان گفت در تشکیلات جوامع پنهان افرادی یافت می شوند که در گروه های مختلف عضویت داشته باشند و رابطه این اعضا و میزان فعالیت هر کدام و تاثیر آنها و تعاملات آنها با یکدیگر نیز مساله ای است که می تواند مورد بررسی قرار گیرد.

شبکه های اجتماعی

بسیاری از ارتباطات امروز به گفت و گوی تعاملی آنلاین بین سازمان ها، جوامع و افراد تغییر داده شده است، آنها از رسانه های اجتماعی، از جمله فن آوری های مبتنی بر وب و تلفن همراه استفاده می کنند. آندریاس کاپلان و مایکل هنلین (2010) رسانه های اجتماعی را به عنوان " گروهی از برنامه های کاربردی مبتنی بر اینترنت تعریف می کنند که بر پایه های فکری و فنی مبتنی بر وب ساخته میشود، و ایجاد و تبادل محتوای تولید شده توسط کاربر را مجاز می کند" (Haenlein,2010) .

شکل (1-1) مجموعه ها و اشکال فن آوری رسانه های اجتماعی را نشان می دهد که در آن هر یک از تکنولوژی ها از یک نوع متفاوت ارتباطات پشتیبانی می کند. بنابراین، تمرکز پایان نامه حاضر بر سایت های شبکه اجتماعی مانند فیس بوک ، این نوع شبکه ها اعضای خود را در ارتباط با معرفی افراد به یکدیگر با استفاده از سیستم تطبیق اجتماعی کمک می کنند. سیستم های تطابق اجتماعی، به طور کلی، بر اساس سیستم توصیه گر است. با این حال، سیستم توصیه گر طبیعی برای مطابقت افراد در شبکه های اجتماعی مناسب نیست. در سیستم های شبکه های اجتماعی، اطلاعات شخصی بسیار کاربران ، همراه با پروفایل های صریح و ضمنی الزم است. پروفایل صریح و روشن با درخواست از کاربر برای پاسخ دادن به یک سری سوالات ایجاد می شود که نشان دهنده / ویژگی ها و اولویت های آنها است. برخی از سیستم های پیشرفته شبکه های اجتماعی پروفایل ضمنی برای هر کاربر ایجاد میکند که در آن رفتار کاربر (مانند ارسال پیام و مشاهده پروفایل) نیز هست.

شکل 1-1 : دسته بندی های مختلف از رسانه های اجتماعی

       یک روش مشابه به تطبیق اجتماعی، شخصی سازی اجتماعی است. سیستم تطبیق اجتماعی و شخصی سازی اجتماعی همیشه با هم همپوشانی دارند(J. Chen , 2009). با این حال، سیستمهای شخصی سازی اجتماعی با هر دو مورد و کاربران تعامل دارد، در حالی که سیستمهای تطابق اجتماعی فقط با کاربران تعامل دارد.

      در سیستم های تطابق اجتماعی، کاربران با ایجاد پروفایل خود و توصیف خود شروع میکنند، آنها همچنین پاسخ مناسب به یک سری از سوالات انتخاب می کنند. کاربران همچنین باید تعیین کنند در مورد شریک بالقوه خود آنچه که دوست دارند و دوست ندارند. گام بعدی شامل استفاده از الگوریتم های تطبیقی است که از تمام منابع داده ها برای معرفی بهترین مردم منطبق استفاده میکند. هنگامی که سیستم به مردم معرفی میکند، کاربر مجاز است با آنها به صورت الکترونیکی از طریق ایمیل و چت ارتباط برقرار کند. این فرایند در شکل 2-2 خلاصه شده است.

شکل 2-2 : مدل عمومی برای سیستم های شبکه اجتماعی

پیش بینی لینک در شبکه اجتماعی

مسائل "پیش بینی لینک" و "پیشنهاد لینک" حداقل از 2 دیدگاه، چالش برانگیز می باشند. اول اینکه، شبکه های واقعی، بسیار پراکنده می باشند ؛ به این معنا که گره های موجود در این شبکه ها تنها با کسر کوچکی از تمامی گره های شبکه ارتباط دارند. برای مثال، در مورد شبکه اجتماعی فیس بوک، یک کاربر به صورت معمول تنها به حدود 100 گره از 500 میلیون گره موجود در شبکه متصل میباشد.  بنابراین یک روش بسیار خوب (و متاسفانه بدون استفاده) برای پیش بینی یال ها، عبارت است از پیش بینی یال های غیر جدید. چرا که این روش تقریبا دقت پیش بینی نزدیک به کاملی را بدست می دهد (به عبارت دیگر، از میان 500 میلیون پیش بینی ممکن، تنها 100 مورد اشتباه وجود دارد).

چالش دوم ظریف تر می باشد؛ اینکه لینک های شبکه اجتماعی را تا چه میزان می توان با استفاده از ویژگی های ذاتی مربوط به شبکه مدلسازی نمود (2015Peng WANG, January, ) مشابها اینکه مشخصات کاربران )نظیر سن، جنسیت، شهر محل تولد( چگونه در ایجاد یال های جدید نقش دارند. در این مورد، برای نمونه، شبکه اجتماعی فیس بوک را در نظر بگیرید. دلایل خارج از شبکه بسیار زیادی می توانند وجود داشته باشند تا اینکه دو کاربر با یکدیگر ارتباط برقرار نمایند: این دلیل می تواند به این صورت باشد که کاربران در یک مهمانی یکدیگر را ملاقات میکنند و در نتیجه در شبکه فیس بوک به یکدیگر مرتبط میشوند. با این وجود، از آنجا که آنها در یک مهمانی همدیگر را ملاقات کرده اند، احتمالا همسن میباشند و در یک شهر واحد زندگی می کنند. بعلاوه این لینک همچنین می تواند بیانگر ساختار شبکه باشد : به این صورت که، دو نفر با احتمال بیشتری یکدیگر را در مهمانی ملاقات می کنند؛ اگر که موقعیت آنها در شبکه، نزدیک به یکدیگر باشد. این زوج از افراد، احتمالا دوستان مشترکی دارند و در حلقه های اجتماعی یکسانی فعالیت میکنند. بنابراین، صرف نظر از این واقعیت که آنها بواسطه یک رویداد خارج از شبکه (مثال یک مهمانی) با یکدیگر دوست شوند، علامت هایی در حلقه های اجتماعی آنها وجود دارند که احتمال بالایی از دوستی در آینده را بیان می نمایند. لذا پرسشی که مطرح می باشد این است که ویژگی های گره و شبکه، چگونه در راستای ایجاد لینک های جدید با یکدیگر تعامل برقرار میکنند (2015WANG PENG, January )

         از دیدگاه ایجاد لینک، پرسشی که مطرح می باشد به این صورت است که: داشتن علایق و مشخصات مشترک تا چه اندازه دارای اهمیت است؟ بعلاوه پرسش دیگری که وجود دارد این است که: بودن در یک حلقه اجتماعی واحد و یا نزدیک بودن در شبکه تا چه اندازه در بحث برقراری ارتباط، مهم میباشد. از دیدگاه فنی، چگونگی ایجاد متدی باقاعده که بتواند ویژگی های گره ها )یا همان اطلاعات پروفایل کاربر( و ویژگی های یال ها )یا همان اطلاعات تراکنش( را با ساختار شبکه ترکیب نماید، نامشخص و مبهم می باشد. یک روش متداول )که البته نتیجه آن تا حدودی رضایت بخش نمی باشد( این است که به صورت ساده، مجموعه ای از ویژگی ها که ساختار شبکه را در اطراف دو گره مورد نظر ما توصیف میکنند )نظیر درجه گره، تعداد دوستان مشترک، کوتاه ترین طول مسیر( استخراج نماییم و آنها را با اطلاعات پروفایل کاربر ترکیب کنیم. یک شبکه اجتماعی G(V,E)را در زمان t در نظر بگیرید که به ترتیب V و E مجموعه ای از گره ها و لینک ها میباشد. اهداف پیش بینی لینک عبارتند از: پیش بینی لینک های جدید، حذف لینک های بین گره ها در زمان آیندهt’ ( t’ >t) دور انداختن لینک ها و نشان دادن لینک های مشاهده نشده در شبکه فعلی. این مسئله را میتوان با استفاده از یک شبکه اجتماعی ساده با 5 کاربر توضیح داد که در شکل زیر نشان داده شده است که در آن لینک هایی در زمان tوجود دارد. همچنین لینک هایی که به خط تیره دیده میشود ارتباطاتی است که به تازگی در زمان [‘t,t ]ظاهر شده اند. در زمان t، آلیس و باب و همچنین آلیس و نیک دوست هستند. در زمان ‘t، ممکن است ارتباط بین باب و نیک را به وجود آورد. هدف اصلی پیش بینی لینک در شبکه های اجتماعی پیش بینی ظهور ارتباطات جدید بین کاربران است.

شکل 3-3 : مدل عمومی برای سیستم های شبکه اجتماعی

برای حل مسئله پیش بینی لینک، نیاز به تعیین فرم ها و حالات ممکن ارتباطات بین همه جفت کاربران است. معمولا چنین مواردی را با شباهت گیری و یا امتیاز نسبی بین جفت گره ها میتوان بدست آورد. در شکل زیر یک چارچوب کلی برای نشان دادن راه حلی برای پیش بینی لینک ارائه نشان داده شده است.

شکل 4-4 : چارچوبی برای حل مشکل پیش بینی لینک

      در کل برای مقدار دهی شبکه های آنلاین دو روش وجود دارد که عبارتند از : تکنیک های مبتنی بر شباهت گیری و تکنیک های مبتنی بر آموزش که در شکل بالا به روشی قابل استخراج است. روش های زیادی وجود دارند که بروی تکنیک های پیش بینی لینک، بحث در مورد مسائل خاص پیش بینی لینک و استفاده از تکنیک های پیش بینی لینک برای مقابله با کاربردهای مختلف تمرکز کرده اند. در بخش بعدی یک طبقه بندی از انواع روش ها و مسائل موجود در پیش بینی لینک را ارئه خواهیم نمود. لذا دسته بندی ها مربوط به کاربردهای خاصی نیستند بلکه مرتبط به تکنیک ها و مسائل مربوط به پیش بینی لینک هستند. شکل زیر دسته بندی های مربوط به انواع تکنیک های پیش بینی لینک و مسائل مرتبط به ان را نشان میدهد.

 شکل 5-5 : فلوچارت طبقه بندی انواع تکنیکهای پیش بینی لینک

نظریه های شبکه های اجتماعی

• نظریه رسانه ها به عنوان موتور تغییر

براساسی این گونه نظریات، از رسانه ها میتوان برای پروژه های عظیم توسعه، که قبلا طراحی و برنامه ریزی شده اند. به منظور ایجاد تغییرات مطلوب استفاده کرد. برای نمونه، رسانه ها میتوانند در توسعه آموزش عمومی، ترویج نوآوری در کشاورزی، توسعه نظام بهداشت، کنترل جمعیت و بسیاری از مسائل اقتصادی و اجتماعی نقش مؤثری بازی کنند. »اورت راجرز«یکی از پیشگامان این نظریه محسوب میشود. البته »راجرز« در تحقیقات بعدی خود، کمتر بر تاثیر مستقیم رسانه ها در تغییرات اجتماعی تاکید ورزید و معتقد بود، چنان چه رسانه ها به طور غیرمستقیم و از طریق همکاری با سایر کانال های اجتماعی و در هماهنگی با آنها باشند، تأثیر بیشتری بر تغییرات اجتماعی خواهند نهاد (هرمز.، 1380)

• نظریه استفاده و خشنودی

رویکرد استفاده و خشنودی نخستین بار در مقاله ای از الهیو کاتز (1959) توصیف شد. کاتز، هربرت ، بلومر و گورویج (1974) چند سال بعد، در مقاله ای از پژوهشگر سوئدی یاد میکنند که در سال 1968 نوعی «مدل استفاده و خشنودی»را پیشنهاد کرده است. این مدل دربرگیرنده این مطلب است که در فرایند ارتباط جمعی، مخاطب در امر مرتبط ساختن ارضایی نیاز و انتخاب رسانه، ابتکار عمل زیادی دارد و بخش مهمی از استفاده مخاطب از رسانه ها معطوف به هدف فرض میشود )جیمز.، 1381( بر طبق این نظریه، انگیزه از نیاز نشأت میگیرد. هرقدر افراد بیشتر حس کنند که ارتباط، به طور مستقیم یا غیرمستقیم، موجب رفع نیاز میشود، تمایل بیشتری به استفاده از آن خواهند داشت. در مجموع، مخاطبان به دنبال محتوایی هستند که بیشترین خشنودی را برایشان فراهم کند. از طرفی این نظریه، ضمن فعال انگاشتن مخاطب، بر نیازها و انگیزه های وی در استفاده از رسانه ها تأکید میکند و ارزش ها، علایق و نقش اجتماعی مخاطبان را مهم میداند و معتقد است مردم برای کسب راهنمایی، آرامش، سازگاری، اطلاعات و شکل گیری هویت شخصی، از رسانه ها استفاده میکنند )مهدیزاده. 1389( یکی از مفاهیم و مفروضات اصلی این نظریه، »فعال بودن مخاطب« است. به این معنا که مخاطب در استفاده از رسانه به دنبال رفع نیازها و کسب خشنودی ، رضایتمندی است که باور دارد انتخاب رسانه، رضایتمندی مورد نظرش را تامین میکند.

• جامعه پنهان

در طول چند دهه گذشته، تشخیص جامعه به عنوان یک کار ضروری در حوزه تحلیل شبکه ها صورت گرفته است و بینش های ساختاری وعملکرد بالقوه شبکه هارا ارائه میدهد) 2013 (Derek ,کار اولیه عمدتاً بر روی شناسایی جوامع گسسته متمرکز است که مجموعه ای از گره هارا در یک شبکه پارتیشن بندی  (YONG-YEOL AHN,2013)اخیرا، محققان تعدادی از عضویت های متقابل جوامع را مشاهده کرده اند و برای به اشتراک گذاشتن جوامع، الگوریتم هایی را توسعه دادهاند( Andersen,Reid,2006). برخی از تکنیک های تقسیم بندی نیز برای رفع یک مورد همپوشانی نیز بسط داده میشوند )2014( pin-yu,در این دو مقوله، میتوان یک ساختار سلسله مراتبی را براساس جزئیات موجود در جوامع شناسایی کرد. اگر چه پیشرفت های زیادی صورت گرفته است، نوعی ساختار جامعه جدید وجود دارد که ما آن را ساختار جامعه پنهان مینامیم، که توجه کمی را در ادبیات به خود جلب کرده است. شبکه های دنیای واقعی دارای ساختار جامعه ضعیف مانند سازمان های مخفی یا گروه های موقت هستند که به طور قابل توجهی ضعیف تر از ساختار جامعه متراکم مانند خانواده ها، همکاران، و دوستان نزدیک هستند، همانطورکه توسط معیارهای جامعه مورد ارزیابی قرار میگیرند. اگر بیشتر اعضای جامعه مدولار، به دیگر جوامع متراکم تر تعلق داشته باشند، جامعه معمولا نادیده گرفته میشود. به عنوان مثال، در یک شبکه اجتماعی، افراد ممکن است به چندین جامعه اجتماعی قوی، مرتبط با گروه هایی مانند خانواده ها، همکاران و دوستان تعلق داشته باشند. اگر چه همپوشانی، ارتباطات درون این جوامع قوی و بسیار زیاد است که الگوریتم های تشخیص جوامع اشتراکی موجود میتوانند این ساختارهای پنهان اما غالب را کشف کنند. با این حال، علاوه  بر این جوامع قوی، افراد ممکن است به برخی جوامع ضعیف تر مثل یک گروه تعلق داشته باشند.

شکل 6-6 : تصویر جوامع غالب و جوامع پنهان در یک شبکه اجتماعی. a    (این سه کالس به جوامع دانش آموزان مربوط میشود که به عنوان تیم هایی در پروژه ها فعالیت میکنند  .b  (سه گروه از رنگهای مختلف متناظر با جوامع ورزشی با اتصالات پراکنده هستند.

همان طورکه در شکل 6-6  برای یک شبکه کوچک نشان داده شده است، ساختار جامعه پنهان پراکنده و با ساختار جوامع غالب در هم پیچیده است بنابراین برای تشخیص سخت تر می باشد. برای برنامه های کاربردی در انواع مختلف از رشته های علمی، ساختار ضعیف و پنهان باید مورد بررسی قرار گیرد. به عنوان مثال دولتی را در نظر بگیرید که میخواهد جوامع یک سازمان تروریستی را در یک شبکه اجتماعی شناسایی کند. این ساختار جامعه ممکن است در داخل شبکه بیان شود، اما احتمالا بسیار ضعیف تر از جامعه ای است که مطابق با خانواده یا مکان است. تشخیص این ساختار پنهان در حضور ساختار جامعه قوی تر اهمیت بیشتری دارد، اما با چالش های عمده ای مواجه است. برای رسیدگی به مسائل فوق، ارزش پنهان یک جامعه را به عنوان بخشی از گره ها در جوامع قوی تر تعریف میشود و یک روش متا شناسایی به نام شناسایی جامعه پنهان (HICODE ) برای شناسایی ساختارغالب وهمچنین ساختار پنهان در شبکه ها شده است. HICODE ابتدا با استفاده ازیک الگوریتم موجود به عنوان یک الگوریتم پایه به یک شبکه آغاز میشود و سپس ساختار جوامع شناسایی شده در شبکه را تضعیف میکند. به این ترتیب، ساختار جامعه ضعیف، پنهان قابل رویت میشود. این مرحله تکرار میشود تا زمانی که ساختار قابل توجه دیگر شناسایی نشود. بعد، HICODEساختار اجتماعات پنهان را تضعیف میکند و بدین ترتیب یک نسخه دقیق تر از ساختار جامعه غالب را به دست می آورد. از طریق آزمایش ها بر روی شبکه های اجتماعی واقعی، مجموعه های چند گانه از جوامع غیرتکراری را نشان میدهد. مجموعه ضعیف جوامع، با وجود داشتن ساختار اجتماعی قابل توجه، به ندرت توسط الگوریتم های تشخیص جامعه ای مدرن تشخیص داده میشود. در شبکه های دنیای واقعی که ساختار جامعه واقعیت- حقیقت پنهان هستند، این ساختار بیش از الگوریتم های پایه آشکار میشود. ساختار جامعه پنهان میتواند به عنوان یک نوع خاص از جوامع با هم پوشانی در نظر گرفته شود. با این حال، روش های تشخیص همگانی موجود در همگرایی عمدتا براجتماعات متمرکز میشوند که درآن بخش قابل توجهی از اعضای "پنهان" نیستند، یعنی آنها همچنین میتوانند به جوامع ضعیف تر تعلق داشته باشند، اما این جامعه به وضوح قوی ترین برای این اعضا است.

شبیه سازی و ارزیابی نتایج

• شبیه سازی چیست؟

شبیه سازی یا سیموالسیون، تقلید یک چیز واقعی یا وضعیت اجتماعی یا یک فرایند است و معمولا متضمن وانمایاندن شماری ویژگی ها یا رفتارهای کلیدی در یک سامانه فیزیکی یا انتزاعی است.

• موارد استفاده از شبیه سازی

شبیه سازی زمانی استفاده می شود که به علت پیچیدگی سیستم مورد نظر، استفاده از روش های تحلیلی غیر عملی است. از این رو روش های مطالعه سیستم از طریق شبیه سازی مطرح می شود. غالباً پیچیدگی  موجود در سیستم های واقعی به صورت اشکال زیر نمود پیدا می کند:

1. حالت عدم اطمینان در سیستم

شبیه سازی، مکانیزمی منصف و سودمند را برای غلبه بر عدم اطمینان فراهم می آورد، بدون آنکه محدودیتی برای سیستم ایجاد کند.

2. رفتار پویا

رفتار سیستم در طول زمان ثابت نیست و متغیرهای اصلی موجود، همانند بهره وری نیز در طول زمان متغیراند. برای تشخیص علّت تغییرات و کنترل آن، بایستی از مدل پویا و متناسب با تغییرات، استفاده شود.

3. مکانیزم های بازخورد

رفتارهای انجام شده و تصمیمات اتخاذ شده در یک مرحله از یک فرآیند، قسمت های دیگر فرآیند را به طور مستقیم یا غیر مستقیم تحت تأثیر قرار می دهد و شناسایی این اثرات و علل آن، بسیار ضروری است.

• دلایل استفاده از شبیه سازی

شبیه سازی، تکنیکی کمّی است که از آن برای مطالعه و ارزیابی گزینه های گوناگون استفاده می شود. این کار، از طریق مدلسازی سیستم واقعی و اجرای آزمایشات بر روی مدل، به منظور پیش بینی رفتار آینده، سیستم امکانپذیر است. این دلایل را می توان به صورت گزاره های زیر خالصه کرد:

1. استفاده از مدل های تحلیلی در زمینه ارزیابی و بهبود فرآیند تولید پایگاه های اطلاعات امکانپذیر نیست.
2. هنگام استفاده از شبیه سازی، چهارچوب ساختاری مدل، به راحتی قابل تغییر است و به سوالات مختلف درباره اینکه " اگر سیستم واقعی چنین شود، چه پیش خواهد آمد؟ " به راحتی پاسخ داده می شود. این خصوصیت شبیه سازی در مورد مراکزی که در محیطی پویا و متلاطم با متغیرهای در حال تغییر مداوم هستند، بسیار مؤثر است.
3. چنانچه هزینه اعمال تغییرات پیشنهادی زیاد باشد، شبیه سازی می تواند بسیار مفید بوده و حتی در مواردی که هنوز سیستم در عمل خلق نشده و فقط درباره روابط نظری آن اطلاعاتی در دسترس است، این ابزار تنها راه حل است.
4. در شبیه سازی، امکان فشرده سازی زمان وجود دارد.

تشریح مدل های پیچیده ریاضی فعالیت های مرکز، برای مدیران غیرحرفه ای در مدلسازی ریاضی، زمان بر و مشکل است. در حالیکه تشریح مدل شبیه سازی فعالیت های مرکز، به سادگی امکان پذیر بوده و به زمان بسیار کمی نیاز دارد.

• انواع شبیه سازی

1. شبیه سازی همانی

در این روش، خود سیستم را به عنوان مدل آن در نظر گرفته و رفتار آن را بررسی می کنیم. به عبارت دیگر این روش، همان آزمایش مستقیم روی سیستم است و در صورت یافتن پاسخی برای مسئله مورد نظر، صد درصد قابل استفاده و مفید است.

2. شبیه سازی نیمه همانی

در این روش، تا جایی که امکان دارد، از اشیا و قوانین واقعی سیستم استفاده می کنیم. تنها، اشیا یا مراحلی از سیستم واقعی که باعث غیر ممکن شدن شبیه سازی همانی است، مدل سازی می شود. به عبارت دیگر، بخشی از مدل سیستم، واقعی و بخش دیگر غیر واقعی یا شبیه سازی شده است.

3. شبیه سازی آزمایشگاهی

در این روش، بعضی از نماها و اشیای سیستم واقعی، به وسیله امکانات آزمایشگاهی ساخته شده و بعضی نماها و روابط دیگر به وسیله سمبل ها جایگزین می شوند. مثل راداری که با امکانات و مقیاس آزمایشگاهی ساخته می شود.

4. شبیه سازی کامپیوتری

در شبیه سازی کامپیوتری، مدل ساخته شده، بر نام های کامپیوتری است که کلیه اشیا و نماهای سیستم، به ساختارهای برنام های و کلیه مشخصات و رفتار آن، به متغیرها و توابع ریاضی تبدیل شده و قوانین و روابط حاکم بر سیستم و ارتباط آنها با یکدیگر، در درون برنامه در نظر گرفته میشود . شبیه سازی کامپیوتری (به علت عملی بودن و داشتن امتیازات خاص خود) برای بررسی و مطالعه اغلب سیستم ها، از قبیل حمل و نقل، بیمارستان، سیستم های صنعتی، تولیدی، ترافیک، انبار و غیره به کار میرود.

نتیجه گیری و محاسبات

پیش از شبیه سازی کامل روش پیشنهادی با اعمال الگوریتم بهینه سازی کلونی مورچگان معکوس، نتایج مطلوبی حاصل گردید. از این رو در بخش زیر خلاصه ای از یافته های تحقیق ارائه می گردد :

• میزان بهبود روش پیشنهادی از جنبه استخراج کاربران موثر برای سرویس دهی به مشتریان با حفظ تعادل بار را در مقایسه با روش های تصادفی، الگوریتم MaxDegree ، الگوریتم حریصانه و الگوریتم IMIC-OC بر روی دیتاست فیس بوک به صورت میانگین در حدود 3.48 برابر می باشد.
• میزان R² یا ضریب تعیین برای روش پیشنهادی که با الگوریتم بهینه سازی کلونی مورچگان معکوس بهبود داده شده است برابر با 0.80286 می باشد.
• میزان R² در روش پیشنهادی در مقایسه با سایر روش های LT-IO,IC-N,IMIC-OC بر روی دیتاست فیس بوک به ترتیب در حدود 0.210,0.199,0.094 واحد بهبود داشته است.
• میزان معیار مجموع مربعات خطا (SSE) در روش پیشنهادی بر روی دیتاست فیس بوک برابر با 112.6845 بوده است.
• میزان معیار مجموع مربعات خطا (SSE) در روش پیشنهادی نسبت به سایر روش های بر  LT-IO,IC-N,IMIC-OCروی دیتاست فیس بوک به ترتیب در حدود 50.8175, 4.1759,  46.3605, واحد بهبود داشته است.
• میزان معیار میانگین ریشه مجذور خطا (RMSE) در روش پیشنهادی برابر با 9.117 است.
• بطور کلی روش پیشنهادی نسبت به سایر روش های LT-IO,IC-N,IMIC-OC با اجرا بر روی دیتاست فیس بوک به ترتیب 0.898، 2.567, 2.729, واحد بهبود داشته است.
• میزان بهبود روش پیشنهادی از جنبه استخراج کاربران موثر برای سرویس دهی به مشتریان با حفظ تعادل بار را در مقایسه با روش های تصادفی، الگوریتم MaxDegree ، الگوریتم حریصانه و الگوریتم IMIC-OC بر روی دیتاست Epinions بصورت میانگین در حدود 2.99 برابر می باشد.
• میزان معیار مجموع مربعات خطا (SSE) در روش پیشنهادی نسبت به سایر روش های -LT OC-IMIC,N-IC,IO بر روی دیتاست Epinions به ترتیب در حدود 50.6154, 3.9774 , 46.1584, واحد بهبود داشته است.
• میزان معیار میانگین ریشه مجذور خطا(RMSE)  در روش پیشنهادی برابر با 9.1332 است.
• میزان میانگین ریشه مجذور خطا (RMSE) در روش پیشنهادی نسبت به سایر روش ها بهبود قابل ملاحظه ای داشته است. بر این اساس می توان اینگونه استنتاج نمود که روش پیشنهادی نسبت به سایر روش های LT-IO,IC-N,IMIC-OC با اجرا بر روی دیتاست Epinions به ترتیب 0.882، 2.550  , 2.713, واحد بهبود داشته است.

بنابراین می توان اینگونه نتیجه گرفت که اعمال یک الگوریتم مسیریابی کارامد می تواند در شبکه های اجتماعی نقش بسیار مهمی را ایفا نموده و در استخراج جامعه پنهان درشبکه های اجتماعی بسیار مستمر ثمر واقع گردد. بر این اساس، در پژوهش فعلی با بکارگیری الگوریتم کلونی مورچگان معکوس توانستیم میزان خطا را کاهش داده و جامعه پنهان درشبکه های اجتماعی را مقیاس بندی نمائیم.

پیشنهادات آتی:

در این قسمت برخی از پیشنهاداتی را که می توان به عنوان طرح و ایده های نو جهت بهبود عملکرد روش پیشنهادی در این پژوهش گردد را عنوان خواهیم نمود، برخی از این پیشنهادات عبارتند از :

5. استفاده از الگوریتم های بهینه سازی زیستی همچون الگوریتم ژنتیک، جهش قورباغه، کلونی زنبور عسل به منظور بهبود نتایج تحقیق فعلی و مقایسه نتایج با یافته های این تحقیق
5. بکارگیری روش های جدیدی همچون الگوریتم بهینه سازی گربه، الگوریتم گرگ خاکستری، الگوریتم سنجاقک، کرم شب تاب و غیره جهت بهبود مسیریابی و کشف مسیر قابل تشخیص جامعه پنهان درشبکه های اجتماعی و مقایسه نتایج بدست آمده با یافته های این تحقیق
5. استفاده از روش های داده کاوی و قوانین انجمنی به منظور یافتن کاربران هدف در شبکه های اجتماعی

استفاده از الگوریتم های پیش بینی لینک جهت یافتن دوستانی که در آینده ممکن است به شبکه اضافه شوند و ترکیب با روش های سلسله مراتبی و مقایسه نتایج بدست آمده با یافته های این تحقیق

فهرست مراجع:

حافظ نیا ، محمدرضا (1391). "مقدمه ای بر روش تحقیق در علوم انسانی" :چاپ .18 ص .

خاک سلیمیان، معصومعلی. جمشیدی، حمداله( 1384)روش تحقیق و کاربرد آن در مدیریت انتشارات شهابی، غالمرضا (1390) روش تحقیق با رویکرد پایان نامه نویسی، تهران: انتشارات بازتاب.

سورین، ورنر و تانکارد، جیمز، نظریه های ارتباط جمعی، ترجمه دهقان، علیرضا، تهران، دانشگاد تهران، .1381

مهدی زاده، سید محمد، نظریه های رسانه: اندیشه های رایج و دیدگاه های انتقادی، تهران، هم شهری، .1389

مهرداد، هرمز، مقدمه ای بر نظریات و مفاهیم ارتباط جمعی، ویراسته قاران، ویرایش سوم، تهران، فاران، .1380

A. Kaplan and M. Haenlein. (2010). Users of the world, unite! the challenges and opportunities of social media. Business horizons, pp. 59–68.

Abbe E.and Sandon C., (2015), Recovering communities in the general stochastic block model without knowing the parameters, In NIPS 28. 676–684.

Airoldi E.M., Blei D.M., Fienberg S.E., and Xing E.P., (2008), Mixed membership stochastic blockmodels, Journal of Machine Learning Research 9, 1981–2014.

Andersen R. and Lang K. J., (2006), Communities from seed sets, In WWW. ACM, 223–232.

Andersen R., Chung F., and Lang K., (2006), Local graph partitioning using PageRank vectors, In FOCS. 475–486.