پرش لینک ها

آزمایش های پیش بینی اعتماد در شبکه های اجتماعی توسط شبکه های عصبی هوشمند

آزمایش های پیش بینی اعتماد در شبکه های اجتماعی توسط شبکه های عصبی هوشمند

18,000 تومان 16,000 تومان



چکیده

سرویس ­های آنلاین شبکه­ ی اجتماعی با سرعتی نمایی هم به لحاظ تعداد کاربران و هم تنوع سرویس ­ها در حال رشد هستند؛ در نتیجه ارزیابی اعتماد در تعاملات میان کاربران و تعامل با سیستم، از منظر کاربران، مسئله ­ی مهمی است. اعتماد می ­تواند در تجارب مستقیم گذشته یا در اطلاعات غیرمستقیم ارائه­ شده توسط کاربران ثالث مورد اعتماد که شهرت امانت­دار را شکل می­ دهند، ریشه داشته باشد. زمانیکه هیچ سابقه ­ی قبلی برای تعاملات وجود ندارد، بایستی شخص امانت­گذار به نوعی از پیش ­بینی به منظور ایجاد اعتماد یا بی اعتمادی به امانت­دار احتمالی، متوسل شود. ما در این مقاله به پیش­ بینی روابط اعتماد بر پایه ­ی اطلاعات شهرت می ­پردازیم. اعتماد می­ تواند مثبت یا منفی (بی­ اعتمادی) باشد، از این رو ما یک مسئله ­ی “دو رده ­ای” داریم. بردارهای ویژگی برای دسته­ بندی، مؤلفه­ هایی با مقادیر دودویی دارند. شبکه­ ی عصبی مصنوعی و دسته­ بندهای آماری، به­ روزترین نتایج را در خصوص این ویژگی­ ها در محک ­زنی پایگاه داده­ فراهم می­ آورند. در این مقاله، ما بکارگیری یک روش تولید نمونه را برای رده­ ی اقلیت به منظور کاهش برخی اثرات عدم توازن رده­ ها در میان رده ­های اعتماد و بی ­اعتمادی پیشنهاد می­ کنیم. بطور ویژه، این رویکرد انعطاف بالایی به رشد سیستم دارد.
اعتماد در شبکه های اجتماعی ✅ شبکه های عصبی هوشمند ✅ epinions ✅ ترجمه تخصصی


 

شناسه محصول: 92c8548b66bf

توضیحات

آزمایش های پیش بینی اعتماد در شبکه های اجتماعی توسط شبکه های عصبی هوشمند
ترجمه تخصصی مقاله کامپیوتر 

Experiments of Trust Prediction in Social Networks by Artificial Neural Networks

دانلود مقاله لاتین

تعداد صفحات مقاله لاتین : 17                تعداد صفحات ترجمه: 15                سال انتشار: 2015              کد محصول: 10024
چکیده
سرویس ­های آنلاین شبکه­ ی اجتماعی با سرعتی نمایی هم به لحاظ تعداد کاربران و هم تنوع سرویس ­ها در حال رشد هستند؛ در نتیجه ارزیابی اعتماد در تعاملات میان کاربران و تعامل با سیستم، از منظر کاربران، مسئله ­ی مهمی است. اعتماد می ­تواند در تجارب مستقیم گذشته یا در اطلاعات غیرمستقیم ارائه­ شده توسط کاربران ثالث مورد اعتماد که شهرت امانت­دار را شکل می­ دهند، ریشه داشته باشد. زمانیکه هیچ سابقه ­ی قبلی برای تعاملات وجود ندارد، بایستی شخص امانت­گذار به نوعی از پیش ­بینی به منظور ایجاد اعتماد یا بی اعتمادی به امانت­دار احتمالی، متوسل شود. ما در این مقاله به پیش­ بینی روابط اعتماد بر پایه ­ی اطلاعات شهرت می ­پردازیم. اعتماد می­ تواند مثبت یا منفی (بی­ اعتمادی) باشد، از این رو ما یک مسئله ­ی “دو رده ­ای” داریم. بردارهای ویژگی برای دسته­ بندی، مؤلفه­ هایی با مقادیر دودویی دارند. شبکه­ ی عصبی مصنوعی و دسته­ بندهای آماری، به­ روزترین نتایج را در خصوص این ویژگی­ ها در محک ­زنی پایگاه داده­ فراهم می­ آورند. در این مقاله، ما بکارگیری یک روش تولید نمونه را برای رده­ ی اقلیت به منظور کاهش برخی اثرات عدم توازن رده­ ها در میان رده ­های اعتماد و بی ­اعتمادی پیشنهاد می­ کنیم. بطور ویژه، این رویکرد انعطاف بالایی به رشد سیستم دارد.
کلمات کلیدی: شبکه ­های هوشمند مصنوعی؛ epinions؛ اعتماد در شبکه های اجتماعی ؛ ویکیپدیا
اعتماد در شبکه های اجتماعی ✅ شبکه های عصبی هوشمند ✅ epinions ✅ ترجمه تخصصی
مقدمه
پیش ­بینی اعتماد در حال بدل شدن به مسئله­ ی مهمی در بسیاری از مسائل محاسباتی از جمله تعاملات عامل­ ها از طریق سرویس ­های آنلاین است. این عامل­ ها می­ توانند انسان ­ها یا موجودیت­ های محاسباتی مستقل باشند. اینترنت اشیاء (IoT) در تعاملات مورد اعتماد پشتیبانی می­ شود (آرتز و گیل، 2007؛ چن و همکاران، 2013؛ گریکو، 2013). ما بطور خاص به روابط اعتماد در شبکه های اجتماعی می­ پردازیم، یعنی جاییکه اعتماد یک ویژگی برای روابط میان عوامل انسانی بر پایه­ ی تشخیص جامعه است (ریبولو و گرانا، 2013). اعتماد را می ­توان از سوابق تعاملات مابین یک جفت عامل ایجاد نمود؛ اما هنوز هم پرسش “شروع سرد” به قوت خود باقی است. نگرش اساسی امانتگذار در ارتباط با امانت­دار، زمانیکه هیچ سابقه ­ی قبلی از تعاملات وجود ندارد، چگونه است؟ این را می ­توان بطور غیرمستقیم از نگرش­ های کاربر استنباط نمود، یعنی با دنبال کردن برخی استدلالات هم­رنگی[1] (علاقه به کاربرانی که به موارد مشابهی علاقه دارند)، یا می­ توان آن را از شهرت امانت­دار پیش ­بینی کرد. ما در این پژوهش از رویکرد دوم تبعیت می­ کنیم، مسئله را به شکل یک مسئله­ ی دسته ­بندی دو رده­ ای (اعتماد، بی ­اعتمادی) تدوین می ­کنیم که در آن، بردارهای ویژگی از مقادیر عددی اعتماد ساخته می­ شوند که کاربران مورد اعتماد در رابطه با آن امانت­دار مراوده نموده ­اند. شبکه­ ی عصبی مصنوعی (ANN) و رویکرد ماشین بردار پشتیبان (SVM) برای دسته­ بندی استفاده شدند. عملکرد پیش­ بینی حاصل از این رویکرد از عدم توازن شدید رده ­ها رنج می ­برد، زیرا مردم نسبت به تشریح روابط بی­ اعتمادی در مقایسه با توصیف روابط ­اعتماد، بسیار بی ­میل هستند. ما با اعمال یک تکنیک تولید نمونه بر این مشکل فائق آمدیم، و به پیشرفت­ هایی در نتایج دست یافتیم. آزمایشات گسترده ­ی گزارش ­شده، پاسخ­ هایی به کلیت رویکرد و انعطاف ­پذیری آن در مسائل دشوار در شبکه ­های اجتماعی فعلی ارائه دادند: مقیاس ­پذیری به رشد سیستم.
این مقاله به شرح زیر ساماندهی شده است: بخش آتی به تشریح برخی “کارهای مرتبط” می ­پردازد. بخش “روش­ های ساخت دسته ­بند” بطور مختصر تکنیک­ های ساخت دسته ­بند که اعتبار آنها در بررسی­ ها ثابت شده است را توصیف می­ کند. بخش “ویژگی­ های شهرت” به بررسی فرآیند استخراج ویژگی و مجموعه داده­ ی ویژه­ ی ساخته­ شده برای آزمایشات می­ پردازد. بخش بعدی به تشریح “طراحی آزمایشی” اختصاص دارد؛ پس از آن گزارشات “نتایج آزمایشی” در مجموعه داده ­های انتخابی ارائه خواهد شد؛ بخش نهایی به “نتیجه ­گیری ها” مربوط می ­شود.
[1]  Homophily یا هم­رنگی به معنای شباهت­ های فامیلی (م.)

اعتماد در شبکه های اجتماعی ✅ شبکه های عصبی هوشمند ✅ epinions ✅ ترجمه تخصصی

سفــــارش ترجمـــه

می خوای از فایلای با ارزشی که داری درآمد داشته باشی؟ باهامون تماس بگیر