انجمن علمی مدیریت اطلاعات ایران مدیریت اطلاعات 1735-8418 4 2 2019 03 19 Detecting web communities in attributed internet networks using a mathematical programming approach اجتماع‏یابی صفحات وب در شبکه‏های اینترنتی دارای ویژگی‏ با استفاده از رویکرد برنامه‏ریزی ریاضی 1 20 87334 FA اسماعیل علی نژاد دانشجوی دکترای مهندسی صنایع، دانشکده مهندسی صنایع‏ و سیستم‏های دانشگاه تربیت مدرس 0000-0003-2285-3218 بابک تیمورپور استادیار گروه مهندسی صنایع، دانشکده مهندسی صنایع‏ و سیستم‏های دانشگاه تربیت مدرس Journal Article 2018 07 14 <span lang="EN">Community detection is one of the emerging and well-known topics in the area of data mining and social network analysis, which has wide variety applications in discovering communities in real-world networks such as biological networks, internet weblogs, scientific and research websites, etc. Web community detection can especially help admins assign the optimal bandwidth to the websites of their</span><span lang="EN">own networks. Most of web community detection approaches only use the network topology to discover the web communities. However, the results of the most recent researches show that traditional community detection methods have to be substantially modified to consider web attributes as well as network topology. Therefore, in this paper, a mathematical programming approach is developed for community detection in attributed internet networks by simultaneously considering both network topology and node attributes. In this approach, first, similarities of web pages are calculated using node attributes and a desired similarity measure and are considered as the weight of the corresponding edges. Then, communities of the resulted weighted network will be detected by the proposed mathematical model. To validate and prove the efficiency, it is hypothesized that the detected communities of the proposed approach have a better quality than that of previous models. Experimental results demonstrate that the proposed approach has the ability to significantly improve the quality of detected web communities, when the model uses the Jaccard index. However, the results of other hypotheses indicate that the correct selection of similarity measure has a significant impact on the quality of the detected communities.</span> <span lang="AR-SA" dir="RTL">اجتماع‏یابی (کشف اجتماعات) یکی از شاخه‏های نوظهور و پرطرف‏دار در علم داده‌کاوی و تحلیل شبکه‏های اجتماعی است که کاربردهای فراوانی در کشف و تحلیل اجتماع‌ها در سایت‌های اینترنتی، شبکه‌های زیستی، علمی و پژوهشی و غیره دارد. اجتماع‏یابی صفحات اینترنتی می‏تواند به‌طور ویژه به مدیران سایت‏های اینترنتی در تخصیص پهنای بهینه به شبکه‏ صفحات وب تحت نظارتشان کمک کند. در اکثر روش‌های اجتماع‏یابی موجود فقط از توپولوژی شبکه (ارتباطات، یال‏ها) برای گروه‏بندی گره‏ها (صفحات وب) استفاده می‏شود؛ درحالی‌که نتایج پژوهش‏های اخیر نشان داده ‏است که این‏گونه روش‏ها باید به‌گونه‌ای تغییر کند که در آن‌ها علاوه بر توپولوژی، ویژگی‌های ذاتی گره‏ها نیز در فرآیند اجتماع‏یابی لحاظ شود. ازاین‌رو در این مقاله برای اولین بار با لحاظ کردنِ هم‌زمانِ ویژگی‌های ذاتی صفحات وب و ارتباطات میان آن‌ها، یک مدل ریاضی برای کشف اجتماعات در شبکه‏های اینترنتی توسعه داده‌شده است. روش پیشنهادی این پژوهش بدین‌صورت است که برای لحاظ کردن ویژگی‏ها در فرآیند اجتماع‏یابی، ابتدا با استفاده از یک رویکرد ریاضی، میزان شباهتِ صفحات وب به کمک یک سنجه شباهت (مانند جاکارد یا ضریب انطباق) و بردار ویژگی‏ها محاسبه و به‌عنوان وزن به یال‌های موجود بین آن‌ها در شبکۀ اینترنتی موردنظر افزوده می‏شود. با این کار عملاً یک شبکه اینترنتی ویژگی‏دار با یال‌های غیر موزون به یک شبکه بدون ویژگی با یالهای موزون تبدیل می‏شود. سپس با استفاده از یک مدل ریاضی (که مختص شبکه‏هایی با یال‌های موزون است)، اجتماعات موجود در این شبکۀ موزون کشف می‏شود. برای اعتبارسنجی و اثبات کارایی، در قالب آزمون‏های فرض آماری ادعاشده است که کیفیت اجتماعات کشف‏شده توسط رویکرد ریاضی پیشنهادی (که ویژگی‏های صفحات وب را لحاظ می‏کند) به‌طور آماری بهتر از مدل‏های ریاضی پیشین (که از ویژگی‏ها چشم‏پوشی می‏کند) است. نتایج آزمون‏های‏ آماری روی شبکه اینترنتی واقعی نشان می‏دهد که مدل پیشنهادی این پژوهش در حالتی که از معیار جاکارد برای محاسبه میزان شباهت صفحات وب استفاده می‏کند به‌طور معنی‌داری (با </span><span>P-value=0.01</span><span lang="AR-SA" dir="RTL">) باعث کشف اجتماعاتی بهتر در قیاس با مدل‏های ریاضی پیشین شده است. همچنین نتایج دیگر آزمون‏‏های آماری نیز نشان می‏دهد که انتخاب سنجۀ شباهتِ متناسب با ماهیت شبکه، تأثیر بسزایی در میزان کیفیت رویکرد پیشنهادی دارد.</span> https://www.aimj.ir/article_87334_eeb62262a7d5007a35703d1363dab2de.pdf