این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد
متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم
فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد
توجه : در صورت مشاهده بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل مي باشد و در فايل اصلي آزمايش هاي پيش بيني اعتماد در شبکه هاي اجتماعي توسط شبکه هاي عصبي هوشمند،به هيچ وجه بهم ريختگي وجود ندارد
تعداد صفحات این فایل: 26 صفحه
سرویس های آنلاین شبکه ی اجتماعی با سرعتی نمایی هم به لحاظ تعداد کاربران و هم تنوع سرویس ها در حال رشد هستند؛ در نتیجه ارزیابی اعتماد در تعاملات میان کاربران و تعامل با سیستم، از منظر کاربران، مسئله ی مهمی است. اعتماد می تواند در تجارب مستقیم گذشته یا در اطلاعات غیرمستقیم ارائه شده توسط کاربران ثالث مورد اعتماد که شهرت امانت دار را شکل می دهند، ریشه داشته باشد. زمانیکه هیچ سابقه ی قبلی برای تعاملات وجود ندارد، بایستی شخص امانت گذار به نوعی از پیش بینی به منظور ایجاد اعتماد یا بی-اعتمادی به امانت دار احتمالی، متوسل شود. ما در این مقاله به پیش بینی روابط اعتماد بر پایه ی اطلاعات شهرت می پردازیم. اعتماد می تواند مثبت یا منفی (بی اعتمادی) باشد، از این رو ما یک مسئله ی "دو رده ای" داریم. بردارهای ویژگی برای دسته بندی، مؤلفه هایی با مقادیر دودویی دارند. شبکه ی عصبی مصنوعی و دسته-بندهای آماری، به روزترین نتایج را در خصوص این ویژگی ها در محک زنی پایگاه داده فراهم می آورند. در این مقاله، ما بکارگیری یک روش تولید نمونه را برای رده ی اقلیت به منظور کاهش برخی اثرات عدم توازن رده ها در میان رده های اعتماد و بی اعتمادی پیشنهاد می کنیم. بطور ویژه، این رویکرد انعطاف بالایی به رشد سیستم دارد.
کلمات کلیدی: شبکه های هوشمند مصنوعی | epinions | شبکه های اجتماعی | اعتماد | ویکیپدیا
Experiments of Trust Prediction in Social Networks by Artificial Neural Networks
~~en~~ writers :MANUEL GRANA1, J: DAVID NUNEZ-GONZALEZ1, LEIRE OZAETA1, and ANNA KAMIN´ SKA-CHUCHMAL--A
Social network online services are growing at an exponential pace,
both in quantity of users and diversity of services; thus, the evaluation of trust in the interaction among users and toward the system
is a central issue from the user point of view. Trust can be
grounded in past direct experience or in the indirect information
provided by trusted third-party users shaping the trustee reputation. When there is no previous history of interactions, the truster
must resort to some form of prediction in order to establish Trust or
Distrust on a potential trustee. In this study, we deal with the
prediction of trust relationships on the basis of reputation
information. Trust can be positive or negative (Distrust), hence,
we have a two-class problem. Feature vectors for the classification
have binary-valued components. Artificial neural network and
statistical classifiers provide state-of-the-art results with these features on a benchmarking trust database. In this article, we propose
the application of a sample generation method for the minority
class in order to reduce some of the effect of class imbalance
among Trust and Distrust classes. Specifically, the approach shows
high resiliency to system growth.
KEYWORDS: artificial neural networks | epinions | social networks | trust | Wikipedia
برای دریافت پروژه اینجا کلیک کنید