 جلسه دفاع پایان نامه: محمدحسین احمدیکیا، گروه مهندسی کامپیوتر
ارائهکننده: محمدحسین احمدیکیا تاریخ: 1402/06/28 چکیده: شبکههای پیچیده انواع مختلفی دارند که یکی از این انواع، شبکههای اجتماعی هستند. یک شبکه اجتماعی، یک ساختار متصل از گروهی از افراد است که هدف آنها تعاملات اجتماعی است. در این شبکهها افراد از یکدیگر تأثیر میپذیرند و شرکتهای بزرگ از این خاصیت شبکههای اجتماعی برای تبلیغ محصولات خود استفاده میکنند. مسئله بیشینهسازی تأثیر موضوع-آگاه در یک شبکه به صورت کلی به این ترتیب تعریف میشود: «با داشتن یک شبکه و مدل انتشار آن، k نفر از این شبکه را مشخص کنیم به صورتی که با انتشار تأثیر آنها تحت یک بردار موضوع، میزان انتشار تأثیر در کل شبکه بیشینه شود.» که در آن منظور از مدل انتشار، منطق ریاضی مدلسازی انتشار تأثیر در شبکه است و منظور از بردار موضوع، برداری از اعداد حقیقی بین صفر و یک است که تعلق مطلب در حال انتشار را در موضوعات مختلف نشان میدهد. در این پژوهش برای حل مسئله بیشینهسازی تأثیر از یادگیری تقویتی عامل-منتقد استفاده شده است و برای برطرف سازی چالش وسعت فضای حالت و عمل در آموزش مدل، یک ماژول تولیدکننده جواب به نام SolutionGenerator معرفی شده است. با استفاده از این ماژول، مدلسازی مسئله به صورتی تغییر پیدا کرده که اندازه فضای حالت و عمل کاهش پیدا کند و به این ترتیب مسئله به یک مسئله بهینهسازی پارامتریک تبدیل شود که در آن هدف تعیین اهمیت هر یک از معیارهای مرکزیت در انتخاب گرهها باشد. سپس، الگوریتم پیشنهادی را پیادهسازی کرده و نتایج آن روی سه شبکه دنیای واقعی و سه شبکه مصنوعی ارزیابی شده است. در انتها نتایج تجربی بدست آمده از اجرای الگوریتم در این شبکهها آورده شده است که نشان میدهد روش ارائه شده در مقایسه با روشهای مرسوم مکاشفهای و جستوجوی ژنتیک، از نظر مقیاسپذیری نسبت به اندازه شبکه و میزان انتشار تأثیر موضوع-آگاه در شبکه، بهینهتر است. |
