تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله کشف و مشخصه ‌بندی جوامع دارای اشتراک در شبکه‌ های اجتماعی مبتنی بر مکان – نشریه IEEE

عنوان فارسی: کشف و مشخصه ‌بندی جوامع دارای اشتراک در شبکه‌ های اجتماعی مبتنی بر مکان
عنوان انگلیسی: Discovering and Profiling Overlapping Communities in Location-Based Social Networks
تعداد صفحات مقاله انگلیسی : 11 تعداد صفحات ترجمه فارسی : 34
سال انتشار : 2014 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6302 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.99Mb
رشته های مرتبط با این مقاله: مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله: اینترنت و شبکه های گسترده
مجله: نتایج و یافته های بدست آمده در حوزه سیستمها و سایبرنتیک
دانشگاه: دانشکده علوم کامپیوتر، دانشگاه نورث وسترن پلی تکنیک، شیان، چین
کلمات کلیدی: پروفایل‌بندی (مشخصه‌بندی) جامعه، خوشه‌بندی سلسله مراتبی، شبکه‌های اجتماعی مکان-محور (LBSNs)، کشف جامعه‌ دارای اشتراک
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. پیشگفتار

2. کار مربوطه

3. بیان مساله

4. چارچوب خوشه‌بندی یال چندویژگی چندحالتی

A. خوشه‌بندی یال چندویژگی چندحالتی

B. توصیف ویژگی

C. نرمالسازی و امتزاج (ترکیب) ویژگی

D. الگوریتم خوشه‌بندی

5. ارزیابی عملکرد

A. جمع‌آوری داده‌ها

B. راه‌اندازی آزمایش

C. محک

D. کیفیت جوامع کشف شده

6. پروفایلبندی و تجزیه و تحلیل جامعه

A. پروفایلبندی جامعه بر اساس متاداده‌ها

B. آشکارسازی مشخصات شهر

7. نتیجه‌گیری

نمونه متن انگلیسی

Abstract

With the recent surge of location-based social networks (LBSNs), such as Foursquare and Facebook Places, huge digital footprints of people’s locations, profiles, and online social connections become accessible to service providers. Unlike social networks (e.g., Flickr, Facebook) that have explicit groups for users to subscribe to or join, LBSNs usually have no explicit community structure. In order to capitalize on the large number of potential users, quality community detection and profiling approaches are needed. In the meantime, the diversity of people’s interests and behaviors when using LBSNs suggests that their community structures overlap. In this paper, based on the user check-in traces at venues and user/venue attributes, we come out with a novel multimode multi-attribute edge-centric coclustering framework to discover the overlapping and hierarchical communities of LBSNs users. By employing both intermode and intramode features, the proposed framework is not only able to group like-minded users from different social perspectives but also discover communities with explicit profiles indicating the interests of community members. The efficacy of our approach is validated by intensive empirical evaluations using the collected Foursquare dataset.

نمونه متن ترجمه

چکیده

با موج جدید شبکه‌های اجتماعی مبتنی بر مکان  (LBSNs)، مانند مکان‌های فوراسکوایر (چهارضلعی)  و فیسبوک، اثرات دیجیتال عظیمی از مکان‌ها، پروفایل‌ها، و اتصالات اجتماعی آنلاین افراد، برای فراهم کنندگان خدمت قابل دسترس می‌شوند. برخلاف شبکه‌های اجتماعی (مانند فلیکر  و فیسبوک) که دارای گروه‌های صریحی برای کاربران برای اشتراک یا متصل شدن هستند،  LBSNها معمولا دارای هیچ ساختار اجتماعی صریحی نیستند. به منظور سرمایه‌گذاری روی تعداد زیادی از کاربران بالقوه، نیاز به رویکردهای کشف و مشخصه‌بندی (پرووفایل‌بندی) جامعه‌ی کیفیت است. در عین حال، کشف علایق و رفتارهای افراد هنگام استفاده از LBSNs نشان می‌دهد که ساختارهای جامعه‌ی آن‌ها دارای اشتراک هستند. در این مقاله، بر اساس روال‌های بررسی کاربر در حوزه‌ها  و ویژگی‌های کاربر/حوزه، ما با یک چارچوب خوشه‌بندی مشترک  لبه(یال)-محور چند-خصوصیتی چند-حالتی نوین برای کشف جوامع سلسله مراتبی و دارای اشتراک کاربران LBSNs سر و کار داریم. به به کار گرفتن هر دو ویژگی بین-حالتی و درون-حالتی ، شبکه‌ی ارائه شده نه تنها قادر به گروه‌بندی کاربران همفکر از چشم‌اندازهای مختلف هستیم بلکه همچنین دارای توانایی کشف جوامع با پروفایل‌های صریح نشان دهنده‌ی علایق اعضای جامعه هستیم. کارایی رویکرد ما توسط ارزیابی‌های تجربی فشرده با استفاده از پایگاه داده‌های فوراسکوایر (چهارضلعی) معتبرسازی می‌شود.