16714

1814 دكتري

دكتري

مهندسي صنايع

اصفهان : دانشگاه صنعتي اصفهان

1400

دوازده، 78ص.: مصور، جدول، نمودار

غلامعلي رييسي اردلي

اميرحسين اميري ، احسان بهرامي ساماني

تقي اخوان نياكي، مجيد امين نيري، علي زينل همداني

1400/08/24

كتابنامه

مهندسي صنايع

مهندسي صنايع و سيستم ها

1400/08/24

2778418

افزايش روزافزون دسترسي به شبكه هاي اجتماعي و متحول شدن فضاي ارتباط بين افراد منجر به بروز تغييرات شگرفي در همه شئون زندگي شده و نياز به تحليل داده هاي مربوط به اين سيستم هاي پيچيده به طور قابل ملاحظه اي ضرورت يافته است. يكي از كاربردي ترين حوزه هاي تحليل داده هاي شبكه اجتماعي، پايش اين شبكه ها است تا در صورت وقوع هرگونه ناهنجاري در آنها با كمترين خطا بتوان آنها را كشف نمود. اين ناهنجاري ها از بروز رفتارهاي مخاطره آميز و تروريستي گرفته تا شيوع اخبار و تراكنش هاي غير متعارف بين اعضا را شامل مي شود كه براي پيشگيري از آنها، اين شبكه ها بايد به طور مستمر تحت پايش باشد. در سال هاي اخير روش هاي مختلفي براي پايش شبكه هاي اجتماعي توسعه داده شده اند كه عمده اين روش ها مبتني بر مصورسازي شبكه هاي اجتماعي و پايش ويژگي هاي گراف منتاظر با شبكه بوده است. مهمترين نقص اينگونه روش ها، عدم توانايي كشف تغييرات مهم در ساختار بنيادين شبكه هاي اجتماعي است. منظور از ساختار بنيادين در واقع رابطه اي است كه دليل شكل گيري ارتباط بين اعضا (به عنوان متغير پاسخ) را بر حسب بردار مشخصات افراد (به عنوان متغيرهاي مستقل) تبيين مي كند. پي بردن به اين ساختار بنيادين در واقع برازش يك مدل رگرسيوني بر داده هاي شبكه اجتماعي را مي طلبد، با اين حال مدل هاي رگرسيوني استفاده شده داراي محدوديتهاي مهمي مي باشند و لازم است مدل هاي جامع تري در پايش اين شبكه ها توسعه داده شود. از مهمترين محدوديتهايي كه در خصوص پايش شبكه هاي اجتماعي در مدل هاي رايج وجود دارد عدم توجه به همبستگي داده ها در شبكه هاي اجتماعي است. ضعف ديگري كه در روش هاي موجود ديده مي شود اين است كه فرض مي شود مجموعه افراد (گره ها) ثابت و بدون تغيير مي ماند و ضمناً همه داده هاي اين مجموعه به طور كامل در دسترس است در حالي كه در شبكه هاي اجتماعي ممكن است مجموعه گره ها هم از نظر تعداد و هم از نظر ويژگي ها دستخوش تغيير واقع مي گردد و لزوماً همه داده هاي اين شبكه ها در دسترس نيست. اين محدوديتها به طور شهودي دراغلب شبكه هاي اجتماعي مشاهده مي شود. در هر شبكه اجتماعي افرادجديد همواره در حال اضافه شدن به شبكه يا افرادي در حال ترك آن هستند. در ضمن مشخصات اين افراد هم لزوما مشخصه هايي ثابت نيست. مثلا اگر در يك شبكه اجتماعي درجه محبوبيت هر فرد اندازه گيري شود، اين مشخصه ممكن است در گذر زمان تغيير كند. در ضمن، در بسياري مطالعات ممكن است امكان دسترسي به اطلاعات برخي از اعضاي شبكه فراهم نباشد. به طور مثال در شبكه هاي تبهكارانه، لزوماً همه اعضاي شبكه شناسايي نشده و ارتباطاتشان هم ممكن است رصد نشده باشد. براي رفع محدوديت هاي بيان شده، در اين رساله اثرات تصادفي در قالب مدلهاي آميخته خطي تعميم يافته براي شبكه هاي داراي يال با توزيع آماري برنولي و پواسون با توجه به همبستگي داده ها در نظر گرفته مي شود. مدل هاي اثرات تصادفي علاوه بر توجه به همبستگي اين قابليت را دارند كه براي داده هاي خوشه بندي شده هم به كار آيند. در اين رساله،مدل پايه آميخته خطي تعميم يافته كه عرض از مبداء آن به صورت اثر تصادفي است در نظر گرفته مي شود، سپس با در نظر گرفتن دو رويكرد پنجره زماني ثابت و پويا، داده هاي شبكه اجتماعي براي محاسبه آماره نسبت حداكثر درستنمايي استفاده مي شوند. سپس با استفاده از روش شبيه سازي حدود بالاي كنترلي با در نظرگرفتن متوسط طول دنباله تنظيم مي شود. نتايج مثال هاي متعدد شبيه سازي شده و همچنين مثال هاي برگرفته از دنياي واقعي كارايي روش پيشنهادي را مورد تصديق قرار مي دهند.

The widespread usage of social networks and the evolution of the communication between individuals has led to tremendous changes in all aspects of today lifestyle hence, the necessity of data analysis for this complex system has risen considerably. Monitoring social networks is one of the most applied fields of data analysis in the social studies’ environment by the application of which the real time detection of anomalies with the least error is desired. These anomalies included a wide range of instances such as terrorist attacks, abnormal transactions to even fake news for preventing of which the network should be constantly monitored. A large part of the available literature focuses on visualization and measurement of the graph metrics. The main drawback to this approach is that the underlying mechanism of the network and the major shifts of these parameters remain unknown. The underlying mechanism is a function that describes how individuals incline to connect to each other in a network and it receives the similarity vector of each pair of individuals as the independent variable and the probability of communication between them as the response variable. For estimating the coefficients of this function, a regression analyses should be done, however the applied models do not tackle several challenges and constraints that should be accounted. An important challenge is the consideration of correlations among network data and the other one is that in many real-world applications the data set of vertices are not known fully or available and a subset of them might be known, moreover this set may change over time and the corresponding attributes are not necessarily fixed and may change over time. For overcoming this challenge, in this thesis random effects models are used in terms of generalized mixed effects models for networks with Bernoulli and Poisson distributed edges. By the aid of these modeling a wider scope of real-world applications can be considered. The effectiveness of the proposed method is verified using real-world applications and simulation studies.

غلامعلي رييسي اردلي

اميرحسين اميري ، احسان بهرامي ساماني

تقي اخوان نياكي، مجيد امين نيري، علي زينل همداني