خلاصه
اعتماد در شبکه های اجتماعی از سوی فیلدهای علمی و صنعتی مورد توجه زیادی قرار گرفته است. تحلیل ایده عمومی Opinion alalysis ، راهی مستقیم برای افزایش اعتماد در شبکه های اجتماعی به شمار می رود. از آنجایی که این نوع تحلیل را می توان طبقاً با الگوریتم گراف بیان و داده های گراف، مکانیسم سازماندهی داده های پیش فرض بکاررفته در کاربردهای خدماتی شبکه های اجتماعی بزرگ (درمقیاس بزرگ) محسوب می شوند، در نتیجه کارهای تحقیقاتی و پژوهشی بیشتر از سیستم پردازش گراف برای رسیدگی به تحلیل ایده عمومی استفاده می کنند. با رشد سریع حجم داده ها، برای پردازش تحلیل ایده عمومی در مقیاس بزرگ از سیستم های گراف توزیع شده، استفاده می گردد. اکثر الگوریتم های گراف، تعداد زیادی تکرار داده معرفی می کنند، به همین خاطر نیازهای سنکرون سازی بین تکرارهای متوالی ، می تواند اثربخشی عملیات های موازی را جداً به خطر بیندازد، که این مسئله عملیات های تجمع و تحلیل داده ها را کند تر می کند. در این مقاله، برای بررسی این مسائل ، سیستم پردازش داده های گراف بزرگی پیشنهاد می کنیم که شامل مدل پردازش داده های گراف، Arbor می شود. Arbor برای نمایش رابطه اجتماعی، یک فرمت سازماندهی جدیدی برای داده های گراف توسعه می دهد و این فرمت نه تنها در فضای ذخیره سازی صرفه جویی می کند بلکه همچنین عملیات های پردازش داده های گراف را تسریع می نماید. به علاوه، Arbor جانشین عملیات های سنکرون سازی با بازه زمانی محدود با انتقال پیام کنترل با بازه زمانی نامحدود جهت افزایش درجه موازات و برابری می شود. براساس سیستم پیشنهادی، دو کاربرد برتر گراف روی Arbor را مطرح می کنیم: کوتاه ترین مسیر و PageRank. برای ارزیابی سیستم، با استفاده از داده های گراف آزمایشی در مقیاس بزرگ، Arbor را با دیگر سیستم های پردازش گراف مقایسه کرده و نتایج بدست آمده نشان می دهد که سیستم پیشنهادی برتر از سیستم های پیشرفته عمل می کند.