Ağların merkezilik analizinin kişiselleştirilmesi için motivasyon kolayca verilebilir: En sevdiğiniz Web arama motorunu, WWW’yi ilgi alanlarınıza ve beğenilerinize göre sıralamak üzere yapılandırabileceğinizi hayal edin. Bu şekilde, her kullanıcı, her arama için her zaman en alakalı sayfaları kişiselleştirilmiş bir şekilde elde eder.

Bu görev için iki ana yaklaşım vardır: Birincisi, Web grafiğinin köşelerindeki (sayfalardaki) veya kenarlardaki (bağlantılardaki) ağırlıkları bir kişiselleştirme vektörü v ile değiştirmektir. Köşelerdeki ağırlıklar, her gün harcanan zaman gibi bir şeyi tanımlayabilir. ilgili sayfa ve kenardaki bir ağırlık, temsil edilen bağlantının kullanılma olasılığını açıklayabilir.

Bununla, bu kişisel ayarları hesaba katan Web merkezilik algoritmalarının varyantları çalıştırılabilir. Diğer yaklaşım, köşelerin bir ‘kök kümesi’ R ⊆ V seçmek ve bu kök kümeye göre diğer köşelerin ve kenarların önemini ölçmektir.

Bu iki yaklaşımın iki operatör olarak kullanılabileceğini göreceğiz. İlk yaklaşım grafiğin açıklamasını değiştirir ve karşılık gelen operatör Pv ile gösterilir. Daha sonra, her köşe (veya kenar) için karşılık gelen terim, elde edilen grafik üzerinde değerlendirilir. İkinci kişiselleştirme yaklaşımı, kök küme R tarafından verilen tüm terimlerin bir alt kümesini seçer. Bu operatör, PR ile gösterilir.

Önce mesafe ve en kısa yol tabanlı merkezilikler için kişiselleştirme yaklaşımlarını tartışacağız ve ardından Web merkeziyetleri için yaklaşımları tartışacağız.

Sunulan tüm merkezilikler, her köşeyi grafikteki diğer tüm köşelere göre sıralar. Bu alt bölümde, kök köşelerin bir R kümesine göre köşelerin göreli önemini belirleyen bu merkeziyetlerin varyantlarıyla ilgileneceğiz.

R, R’deki köşelerin önemli olduğu varsayılacak şekilde seçilir ve soru, diğer tüm köşelerin R’ye göre önem derecelerinin nasıl sıralanması gerektiğidir.

c(v) köşelerde bazı merkezilik indeksi olsun. O halde c(v|R), verilen R kök kümesine göre v köşesinin göreli önemini gösterir. P(s,t), s ve t köşeleri arasındaki iyi tanımlanmış herhangi bir yol kümesini göstersin.

Yazarlar farklı türde yol kümeleri önermektedir:

– bir dizi en kısa yol
– uzunluğu belirli bir k’den küçük olan tüm yolların kümesi olarak tanımlanan bir k-en kısa yol kümesi
– bir k-en kısa köşe-ayrık yol kümesi

En kısa yollar kümesi, örn. en kısa yol arasındalık merkeziliğinde. Göreli arasındalık merkeziliği cRBC(v) üç şekilde tanımlanabilir. İlk varyantta, R’den bir r köşesini terk eden en kısa yolların oranı v içeriyorsa, v köşesini önemli olarak tanımlarız.

Kişiselleştirilmiş Web Merkezleri

Web merkezleri için rasgele sörfçü modunu tekrar düşünün ve rasgele sörfçünün, dış bağlantı olmayan veya mevcut dış bağlantıların alakalı olmadığı bir sayfaya geldiğini varsayalım. Bu durumdaki orijinal varsayım, her sayfanın eşit olasılığa sahip olduğu rastgele bir sayfaya atlamadır.

Eşit olasılık varsayımının çok gerçekçi olmadığı açıktır: Bazı sörfçüler bir lavaboya takılırlarsa sporla ilgili Web sayfalarını tercih ederken, diğerleri bir haber sayfasıyla devam eder. Çok sezgisel bir yaklaşım, 1n’yi vi > 0 ∀ i ve vi = 1’i sağlayan bir kişiselleştirme vektörü v ile değiştirmektir.

Ayrıca Merkezler ve Yetkililer algoritması için çok benzer bir yaklaşım önerdiler. Algoritma 2’de verilen yinelemeli prosedürü uygulamak yerine, her adımda kişiselleştirme vektörünün bir kısmını eklediler ve aşağıdaki değiştirilmiş denklemleri elde ettiler.

Sosyal ağ analizi pdf
Sosyal Ağ Analizi
Sosyal ağ analizi Nedir
Sosyal Ağ Analizi dersi
Sosyal Ağ Analizi AÖF

PageRank algoritmasına geri dönersek, v’nin tüm öğeleri pozitif olduğu ve v stokastik bir vektör olduğu sürece, ilgili Markov zincirinin hala indirgenemez olduğu açıktır, bu nedenle PageRank algoritmasının yakınsamasına dokunulmaz. Bu nedenle, ilk bakışta, bu yaklaşım çekici görünmektedir.

Ancak büyük bir dezavantaj var: Kişiselleştirilmemiş sürüm için PageRank vektörlerinin hesaplanmasının zaten bilindiği gibi çok zaman alıyor, en azından şu anda, pek çok farklı Web kullanıcısı türü için PageRank merkeziliklerini hesaplama şansı yok. Bununla birlikte, kişiselleştirilmiş PageRank vektörlerini yeterli bir süre içinde elde etmek için bazı ümit verici yaklaşımlar vardır.

Bu amaçla, PageRank için ve diğerlerinden alınan genel bir kişiselleştirme yaklaşımı veriyoruz.Yukarıda belirtildiği gibi, kişiselleştirilmiş PageRank vektörü aşağıdaki denklemin çözümü olarak verilmiştir.

v = ei i’inci birim vektörü olarak v’yi seçersek, o zaman cei = Q·j olur, dolayısıyla Q’nun PR sütunları kümesi, kişiselleştirilmiş PageRanks için bir temel olarak görülebilir. Ortaya çıkan sorun, Q’nun belirlenmesinin, matrisler büyükse çok zaman alan bir matrisi tersine çevirmesi gerektiğidir.

Hesaplama karmaşıklığını azaltmak için Q, Qˆ ∈ n×K ile tahmin edilir ve bu nedenle, bir tahmin elde etmek için dışbükey bir kombinasyon alarak K temel vektörlerin (Q’nun bağımsız sütunları) yalnızca bir alt kümesini dikkate alırız.

Haveliwala ve ark. Aşağıdaki üç kişiselleştirme yaklaşımının, yukarıda açıklanan genel yaklaşım kapsamında ele alınabileceğini gösterin:

– Konu duyarlı Page Rank,
– Modüler Sayfa Sıralaması
– Blok Derecesi

Yalnızca yaklaşımın nasıl yürütüldüğü konusunda farklılık gösterirler. Bu yaklaşımları aşağıdaki alt bölümlerde kısaca açıklıyoruz.

Modüler Sayfa Sıralaması

İkinci bir yaklaşım Jeh ve Widom [326] tarafından önerilmiştir. Algoritmaları bir çevrimdışı ve bir çevrimiçi adımdan oluşur. Çevrimdışı adımda Kpagesi1,…,iK yüksek dereceli olarak seçilir.

Bu yüksek dereceli sayfalar, merkezler kümesini oluşturur. Kişiselleştirme vektörleri eik kullanılarak, temel vektörler veya merkez vektörler ceik olarak adlandırılan ilişkili Page Rank vektörleri hesaplanır. Her bir kişi için doğrusallığa göre-
ei1’in dışbükey bir kombinasyonu olan v vektörü eiK karşılık gelen kişiselleştirilmiş Page Rank vektörü, merkez vektörlerinin dışbükey bir kombinasyonu olarak hesaplanabilir.

Ancak K büyürse, ne tüm merkez vektörlerini önceden hesaplamak ne de onları verimli bir şekilde depolamak mümkün olur. Bu eksikliğin üstesinden gelmek için kısmi vektörler ve bir göbek iskeleti kullanan bir prosedür önerir.

Merkez vektörlerinin aksine, kısmi vektörleri verimli bir şekilde hesaplamanın ve depolamanın mümkün olduğunu gösterebilirler. Merkez iskeletiyle birlikte bu kısmi vektörler, tüm merkez vektörlerini ve dolayısıyla (geçişlilik yoluyla) nihai kişiselleştirilmiş Sayfa Sıralamasını hesaplamak için yeterlidir.

Esasen fikir, hesaplamaları Web grafiğinden çok daha küçük olan merkezler kümesine indirgemektir (ancak K ≥ 104 mümkündür). K ne kadar büyük seçilirse, Q matrisinin o kadar iyi temsil edildiğini unutmayın.

The post Ağ Merkezi Analizi – Bilgisayar Bilimleri Ödevleri – Bilgisayar Bilimleri Ödev Hazırlatma – Bilgisayar Bilimleri Alanında Tez Yazdırma – Bilgisayar Bilimleri Ödev Yaptırma Fiyatları first appeared on Online (Parayla Ödev Yaptırma).