Ağ analizinde başlangıç noktası, öncelikle bir grafiğin matematiksel olarak tanımlanmış nesnesi değil, günlük dilde “ağ” olarak adlandırılan hemen hemen her şeydir. Biyolojide, bilgisayar biliminde, ekonomide, fizikte veya günlük yaşamda ortaya çıkan bu ağlar, genellikle “gerçek dünya” olarak adlandırılan şeye aittir. Burada gerçek dünyaya uygun modeller bulmak birincil amaçtır. Analiz edilen gerçek dünya ağları çoğunlukla üç kategoriye ayrılır.

Araştırma çalışmalarının en büyük kısmı İnternet, WWW ve ilgili ağlara ayrılmıştır. HTML sayfaları ve bağlantıları (WWW), iki veya daha fazlasına gönderilen haber grupları ve mesajlar (USENET), yönlendiriciler ve bunların fiziksel bağlantıları, otonom sistemler ve daha pek çoğu bu ilgi kapsamından örneklerdir.

Biyolojide, özellikle genetik de dahil olmak üzere kimyasal biyolojide, araştırmacılar ağ olarak yorumlanabilecek çok sayıda yapıyla karşılaşırlar. Bunlardan bazıları net yapılarını en azından mikroskop altında doğrudan gösterir.

Ancak biyolojik ağların en ünlülerinden bazıları, yani metabolik ağlar, biraz daha kurnazca oluşturulmuştur. Burada köşeler belirli molekülleri modelliyor ve kenarlar, belirli bir organizmanın metabolizmasında bu moleküller arasındaki kimyasal reaksiyonları temsil ediyor. En basit durumda, bu moleküller arasında bir reaksiyon varsa, iki köşe bağlanır.

Sosyolojik ağlar genellikle bilimsel yardım olmadan ortaya çıkar. Politika ve ekonomide kayırmacılık ve diğer (genellikle habis) ağları düşünürüz, bir arkadaş çevresinin parçası olmaktan zevk alırız, yönetimin ağında kayboluruz ve ağ oluşturma, kamuoyunda kabul gören bir spor haline gelir.

Sadece bilim adamlarının değil, bilim adamlarının da sorunu kesin verilere ulaşmaktır. Bütün bir ülke, hatta daha büyük bir şehir için basit bir tanıdık ağının verilerini nasıl toplayabiliriz? Ancak bazı ağlar için veriler elektronik biçimde mevcuttur. Örneğin, filmlerdeki aktörlerin işbirliği ve bazı araştırma topluluklarındaki ortak yazarlık ve alıntı, bilimsel çekiciliğini kısmen verilerin mevcudiyetine borçludur.

Farklı alanlardan bu örneklerin hepsi olmasa da birçoğunun bazı ortak özellikleri vardır. Örneğin, metabolikler, WWW ve ortak yazarlık genellikle çok yüksek dereceli çok az köşe noktasına, bazıları önemli dereceye ve çok düşük dereceli çok sayıda köşeye sahip ağlar oluşturur.

Ne yazık ki, veriler bazen bu şekle uymaya zorlanır, hatta sözde bir güç yasası göstermek için yaramazca yorumlanır. Genellikle daha derin sonuçlar yalnızca kanıt olmadan sunulmaz, aynı zamanda yalnızca sözde deneysel gözlemlere dayanır.

Sosyal ağ analizi örnekleri
Sosyal ağ analizi pdf
Ağ analizi örnekleri
Sosyal ağ Analizi programları
Sosyal ağ Analizi nasıl yapılır
Sosyal Ağ Analizi
Sosyal Ağ Analizi AÖF
Tek Parçalı ağ nedir

Yine de bir özelliğin herhangi bir simya olmaksızın yaygın olduğu kabul edilebilir: Gerçek dünya ağlarının çoğu doğası gereği tarihseldir. Bir anda tam ve sabit bir yapı olarak ortaya çıkmamışlar, adım adım gelişmişlerdir. Ortaya çıktılar.

Dolayısıyla bir yandan mevcut yapıyı bir sürecin sonucu olarak anlamak mantıklıdır. Öte yandan, kişi genellikle ağın tekil durumlarından birinden çok geleceğiyle ilgilenir. Bu nedenle, ortaya çıktıkları bir süreç aracılığıyla bir grafiği veya bir grafik ailesini tanımlayan birkaç model geliştirilmiştir.

Gelişen ağlar için matematiksel modeller üç ana amaç için geliştirilmiştir. Her şeyden önce, model, gerçek dünya ağının gelişiminin doğası hakkında belirli bir sezgiyi karşılamalı veya savunmalıdır.

İkincisi, model matematiksel olarak analiz edilebilir olmalıdır. Üçüncü bir amaç, hesaplama amacına uygun bir model bulmak, yani gelecekteki gelişimi simüle etmek veya örneğin bir algoritmayı test etmek için gerçek ağa benzeyen sentetik örnekler oluşturmaktır.

Özellikle İnternet ve WWW ağları için modellerle ilgili birkaç genel bakış vardır. Bu makalelerden bazılarının uzunluğu zaten bu bölümü aşıyor. Tüm modellerden, deneysel varsayımlardan ve sonuçlardan bahsetmek neredeyse imkansızdır. Bunun yerine, okuyucuya kendi araştırmasını başlatması için gerekli bilgiyi vermeyi amaçlıyoruz. Dört bölümde ilerliyoruz.

İlk bölümde kurucu sorular, yönlendirici fikirler ve baskın modeller özetlenmiştir. Ardından, ikinci bölümde, bir ağın yapısını bir bütün olarak analiz etmede verimli olduğu düşünülen veya kanıtlanmış bazı yöntemleri derliyoruz.

Üçüncüsü, gelişen ağlar için çok çeşitli modelleri örneklemek amacıyla kapsamımızı genişletiyoruz. Son bölüm, İnternet’e benzeyen ağlar için en son teknoloji jeneratörlere ayrılmıştır.

İleriki bir duyuruya kadar, grafikleri yönlendirilmiş grafikler olarak kabul ediyoruz. Bazı grafik işlemleri, bağlamdan net olması gereken çoklu grafikler oluşturabilir.

Grafik Modeli

İlk önce rastgele grafik teorisinin tarihsel başlangıç noktasını tartışmak istiyoruz. Daha doğrusu, grafik modeli (Gn,p) tanımlarız.
Bir grafik model, olasılık dağılımına sahip bir dizi grafiktir. Bu durumda, incelenmekte olan grafikler yönsüzdür. Aşağıdaki üç grafik modeli stokastik olarak n → ∞ olarak birbirine yakınsar:

1. Rastgele bir grafik oluşturmanın ilk yolu, verilen tepe noktası sayısı n ve ortalama tepe derecesi z olan tüm grafikler arasından düzgün bir şekilde rastgele bir grafik seçmektir.
2. Alternatif olarak, 2p(n2 ) = p(n – 1) =: z’nin beklenen ortalama derece olduğu, E(G)’nin parçası olma olasılığı p olan n köşeli tam bir grafikteki her kenarı seçin. Bu model (Gn,p) ile gösterilir.
3. Üçüncü yöntemde, her bir vi için ve her j < i için p olasılıkla kenar kümesine {vi,vj} koyup koymayacağınıza karar vererek n köşe vi arka arkaya eklenir.

Sonuncusu, ikincisinin bir grafik süreci olarak yorumlanmasıdır. İlki elbette daha kısıtlayıcıdır, çünkü ortalama derece sabittir ve diğer iki modelde olduğu gibi sadece beklenmez. Yine de bu modeller birleşiyor. Bu nedenle, ilk model daha sezgisel olabilir, ancak ikincisi genellikle analiz için daha uygundur.

Bu üç özellik, bu bölümde tartışacağımız diğer modeller için de önemlidir: Bazı modeller, gerçek dünya hakkındaki sezgilerimizi en iyi şekilde yakalar, diğerleri ise matematiksel izlenebilirlik açısından üstündür. Üçüncüsü, gerçek dünyadaki ağlar genellikle bir bütün olarak ortaya çıkmaktansa bir süreçten ortaya çıkan yapılardır.

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

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).