فایل ورد کامل کشف رویداد در جریان های اجتماعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

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 ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل کشف رویداد در جریان های اجتماعی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۲ صفحه

شبکه های اجتماعی، با گذشت زمان مقدار زیادی از مفاد متنی را به سبب تعامل پیوسته میان مشارکت-کنندگان، تولید می کنند. کاوش چنین جریان های اجتماعی به دلیل وجود هردوی مفاد متنی و ساختار شبکه مجازی در داخل جریان، بسیار چالشی تر از جریان های متنی سنتی است. مسئله کشف رویداد همچنین ارتباط نزدیکی با دسته بندی دارد، زیرا رویدادها تنها می توانند از تغییرات روند کل، استنباط شوند. در این مقاله، دو مسئله مربوطه شامل دسته بندی و کشف رویداد در جریان های اجتماعی را بررسی می کنیم. ما هردو حالت نظارت شده و نظارت نشده را برای مسئله کشف رویداد مورد بررسی قرار دادیم. در نهایت نتایج ازمایشی به دست امده، سودمندی ساختار شبکه تلفیقی در کشف رویداد را نسبت به روش های کاملا مبتنی بر محتوا نشان می دهند.

عنوان انگلیسی:

Event Detection in Social Streams

~~en~~ writers :

Charu C. Aggarwal, Karthik Subbian

Social networks generate a large amount of text content over
time because of continuous interaction between participants. The
mining of such social streams is more challenging than traditional
text streams, because of the presence of both text content and
implicit network structure within the stream. The problem of event
detection is also closely related to clustering, because the events
can only be inferred from aggregate trend changes in the stream. In
this paper, we will study the two related problems of clustering and
event detection in social streams. We will study both the supervised
and unsupervised case for the event detection problem. We present
experimental results illustrating the effectiveness of incorporating
network structure in event discovery over purely content-based
methods.

$$en!!