دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Quan Zheng. David Skillicorn
سری: Chapman & Hall/CRC Data Mining and Knowledge Discovery Series
ISBN (شابک) : 1138032433, 9781138032439
ناشر: CRC Pr I Llc, Skillicorn, David, Zheng, Quan;CRC Press
سال نشر: 2017
تعداد صفحات: 231
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Social Networks with Rich Edge Semantics به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شبکه های اجتماعی با مضامین غنی لبه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
شبکه های اجتماعی با معناشناسی لبه غنی مکانیزم جدیدی را برای نمایش شبکه های اجتماعی معرفی می کند که در آن روابط زوجی را می توان از طیفی از احتمالات واقع بینانه، از جمله انواع مختلف روابط، نقاط قوت مختلف در جهت های یک جفت، روابط مثبت و منفی استخراج کرد. و روابطی که شدت آنها با گذشت زمان تغییر می کند. برای هر امکان، کتاب نحوه مدلسازی شبکه اجتماعی را با استفاده از جاسازی طیفی نشان میدهد. همچنین نشان میدهد که چگونه میتوان تکنیکها را بهگونهای ترکیب کرد که بتوان معنایی چند لبه را با هم مدلسازی کرد، و سپس تکنیکهای مدلسازی در طیفی از مجموعههای داده اعمال میشوند.
ویژگیها
< LI>خواننده را با مشکلات تجزیه و تحلیل شبکه های اجتماعی فعلی و نیاز به بازنمایی غنی تر از روابط بین گره ها، از جمله محاسبه شدت، جهت، نوع، مثبت/منفی و تغییر شدت در طول زمان آشنا می کند
< /P>
مناسب برای محققان و دانشجویان در تحقیقات شبکه های اجتماعی، علوم داده، یادگیری آماری و حوزه های مرتبط، این کتاب به شما کمک می کند. برای ارائه درک عمیق تر از شبکه های اجتماعی دنیای واقعی.
Social Networks with Rich Edge Semantics introduces a new mechanism for representing social networks in which pairwise relationships can be drawn from a range of realistic possibilities, including different types of relationships, different strengths in the directions of a pair, positive and negative relationships, and relationships whose intensities change with time. For each possibility, the book shows how to model the social network using spectral embedding. It also shows how to compose the techniques so that multiple edge semantics can be modeled together, and the modeling techniques are then applied to a range of datasets.
Features
Suitable for researchers and students in social network research, data science, statistical learning, and related areas, this book will help to provide a deeper understanding of real-world social networks.
Content: IntroductionWhat is a social network?The multiple aspects of relationshipsFormally representing social networksThe core model Representing networks to understand their structures Building layered models BackgroundGraph Theory Background Spectral graph theory The spectral pipeline Spectral approaches to clustering Modelling relationships of different types Typed edge model approachTyped edge spectral embedding Applications of typed networksModelling asymmetric relationships Conventional directed spectral graph embedding Directed edge layered approach Applications of directed networks Modelling asymmetric relationships with multiple types Combining directed and typed embeddings Layered approach and compositions Applying directed typed embeddings Modelling relationships that change over time Temporal networks Applications of temporal networks Modelling positive and negative relationships The signed LaplacianUnnormalized spectral Laplacians of signed graphs Normalized spectral Laplacians of signed graphs Applications of signed networks Signed graph-based semi-supervised learning Approach The problems of imbalance in graph data Combining directed and signed embeddings Composition of directed and signed layer modelsApplication to signed directed networks Extensions to other compositions Appendices RatioCut consistency with two versions of each node Ncut consistency with multiple versions of each node Signed unnormalized clustering Signed normalized Laplacian Lsns clustering Signed normalized Laplacian Lbns clustering Example Matlab functions to implement spectral embeddings