تحلیل شبکه‌های اطلاعات

Information Network Analytics

مقطع: تحصیلات تکمیلی گرایش: فناوری و علم شبکه
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

هدف این درس، آشنایی دانشجویان با موضوعات مرتبط با مباحث پیشرفته در تحلیل شبکه‌های پیچیده می‌باشد. بر این اساس، دو نوع تحلیل ساختاری و محتوایی مد نظر قرار می‌گیرد. در تحلیل ساختاری، عمدتا تاثیر همبندی شبکه‌ها و ویژگی‌های ساختاری آن‌ها بر روی فرآیندهای انتشار در نظر می‌گیرد. این در حالی است که در تحلیل محتوایی، داده‌های منتشر شده بر روی شبکه‌ها با توجه به نوع آن‌ها (همچون متن، تصویر و ویدئو) و با استفاده از روش‌های یادگیری ماشین و داده‌کاوی، پردازش می‌شوند.

سرفصل‌ها

  1. توزیع درجه در شبکه، گراف‌های تصادفی و مقیاس آزاد
  2. انتشار در شبکه
    • انواع مدل‌های انتشار مبتنی بر اپیدمی (مدل‌های کلاسیک و مبتنی بر شبکه)
    • انواع مدل‌های انتشار مبتنی بر تصمیم (آگاهی و سود مستقیم)
    • تاثیر ویژگی‌های ساختاری شبکه (همچون توزیع درجه، همبستگی درجات و انجمن‌ها) بر روی فرایندهای انتشار
    • فرایندهای انتشار در شبکه‌های اطلاعات چندلایه (مفاهیم، شاخص‌ها، مدل‌ها و مسائل مطرح)
    • فرایندهای انتشار در شبکه‌های اطلاعات پویا و تغییرپذیر با زمان (مفاهیم، شاخص‌ها، مدل‌ها و مسائل مطرح)
    • فرایندها و مدل‌های انتشار خرابی و شکست آبشاری
    • حداکثر سازی انتشار و گره‌های با نفوذ
  3. تحلیل محتوایی شبکه‌های اطلاعات
    • مفاهیم پایه و معماری سامانه‌های پایش محتوایی شبکه‌های اطلاعات (به خصوص شبکه‌ها و رسانه‌های اجتماعی)
    • روش‌های مختلف جمع‌آوری داده از منابع مختلف (کرالینگ مبتنی بر وب، API و..)
    • ابزارها و پایگاه‌های مختلف ذخیره‌سازی و تجمیع داده‌ها
    • پایگاه داده گرافی
    • ابزارهای و روش‌های داده‌کاوی و یادگیری ماشین برای پردازش انواع داده (محتوای متنی، تصویر و ویدئو)
    • پیش‌بینی پیوند
    • بازیابی اطلاعات و متن‌کاوی
    • ابزارها و روش‌های مصورسازی نتایج حاصل از تحلیل محتوا
    • روش‌های مصورسازی گراف

ارزیابی پیشنهادی

انجام تمرین‌های مختلف در مباحث درس به صورت عملی با Python یا R در این درس الزامی است، به گونه‌ای که دانشجویان آمادگی و مهارت لازم را برای انجام یک تحقیق علمی در زمینه تحلیل شبکه‌های پیچیده را کسب نمایند.

منابع پیشنهادی

  1. Barabási A. (2016). Network Science. Cambridge University Press.
  2. Newman M., Networks (2018), 2nd Edition. Oxford University Press.
  3. Jon Kleinberg J.; Easley D. (2010). Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge University Press.
  4. Liu B. (2011). Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (Data-Centric Systems and Applications). Second Edition, Springer.
  5. Yu P.S., Han J., Faloutsos C. (2010) Link Mining: Models, Algorithms, and Applications, Springer.
  6. Tamassia R. (2013) Handbook of Graph Drawing and Visualization, CRC Press.
  7. Robinson I., Webber J.,Eifrem E. (2015).Graph Databases, 2nd Edition, O'Reily.