دانلود مقاله ترجمه شده تشخیص سرچشمه شایعه در شبکه های اجتماعی (IEEE ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی ISI در نشریه IEEE در ۱۵ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۳۳ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
تشخیص سرچشمه شایعه در شبکه های اجتماعی با توپولوژی متغیر با زمان |
عنوان انگلیسی مقاله: |
Rumor Source Identification in Social Networks with Time-varying Topology |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۶ |
تعداد صفحات مقاله انگلیسی | ۱۵ صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی فناوری اطلاعات |
گرایش های مرتبط با این مقاله | رایانش امن، اینترنت و شبکه های گسترده |
چاپ شده در مجله (ژورنال) | یافته ها در زمینه محاسبات امن و قابل اعتماد – Transactions on Dependable and Secure Computing |
کلمات کلیدی | شبکه های متغیر با زمان، نشر شایعه، شناسایی منبع، مقیاس پذیری |
کلمات کلیدی انگلیسی | Time-varying social networks – rumor spreading – source identification – scalability |
ارائه شده از دانشگاه | دانشکده فناوری اطلاعات ، دانشگاه Deakin ، استرالیا |
نمایه (index) | Scopus – Master journals – JCR |
نویسندگان | Jiaojiao Jiang، Sheng Wen، Shui Yu، Yang Xiang and Wanlei Zhou |
شناسه شاپا یا ISSN | ISSN ۱۵۴۵-۵۹۷۱ |
شناسه دیجیتال – doi | https://doi.org/10.1109/TDSC.2016.2522436 |
ایمپکت فاکتور(IF) مجله | ۷٫۰۳۸ در سال ۲۰۱۸ |
شاخص H_index مجله | ۵۹ در سال ۲۰۱۹ |
شاخص SJR مجله | ۰٫۸۹۸ در سال ۲۰۱۸ |
شاخص Q یا Quartile (چارک) | Q1 در سال ۲۰۱۸ |
بیس | است ✓ |
مدل مفهومی | دارد ✓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۹۹۴۱ |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
نشریه آی تریپل ای |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
وضعیت ترجمه | انجام شده و آماده دانلود در فایل ورد و PDF |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۳۳ صفحه (شامل ۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده شناسایی کردن منابع شایعه ها در شبکه های اجتماعی نقش بسیار مهمی در محدود کردن میزان آسیب های این شایعات از طریق قرنطینه کردن منبع شایعه دارد. اما، تغییرات زمانی در شکل ساختاری یا توپولوژی این شبکه های اجتماعی و روند های پویا، موجب می شود که تکنیک های سنتی شناسایی کردن منبع شایعه که در شبکه های ایستا مورد استفاده قرار می گرفت، با چالش رو به رو شود. در این مقاله، ما از یک ایده ی جرم شناسی استفاده می کنیم و یک روش جدید برای رفع این چالش ها ارائه می کنیم. در این روش، ما نخست شبکه های متغیر با زمان را به صورت یک سری شبکه های ایستا کوتاه می کنیم و این کار را با پنجره های ادغام زمانی، انجام می دهیم. دوما، به جای منتشر کردن تمام افراد در تکنیک های متداول، ما از یک برنامه ی نشر معکوس استفاده می کنیم تا بتوانیم یک مجموعه از منابع مظنون را برای شناسایی منبع واقعی شایعه، مشخص کنیم. این روند موجب رفع مشکل مقیاس پذیری مسئله ی شناسایی منبع شایعه می شود و ازین رو، به صورت محسوس موجب افزایش کارایی روند شناسایی منبع شایعه می گردد. سوما، برای مشخص کردن منابع واقعی شایعه نسبت به موارد مظنون شناسایی شده، ما از یک مدل نشر شایعه در مقیاس کوچک استفاده می کنیم تا برای هر مظنون، بیشترین احتمال ( ML) را محاسبه کنیم. آن منبعی که بیشترین تخمین ML را ایجاد کند، به عنوان منبع اصلی شایعه در نظر گرفته می شود. ارزیابی ها در این روش بر روی یک شبکه ی اجتماعی واقعی با شکل ساختاری متغیر با زمان اجرا شده است. نتایج آزمایش ها نشان می دهد که روش ما می تواند ۶۰ تا ۹۰ درصد از فضای جست جو برای شایعه را در شبکه های اجتماعی مختلف متغیر با زمان، کاهش دهد. همچنین نتایج نشان می دهد که روش ما می تواند منبع واقعی شایعه را به صورت صحیح تشخیص بدهد، یا فردی را شناسایی کند که نسبت به منبع واقعی شایعه بسیار نزدیک می باشد. بر اساس بهترین دانسته های ما، این روش اولین روشی است که می توان از آن برای شناسایی کردن منبع شایعه در شبکه های اجتماعی متغیر با زمان استفاده کرد.
۸- جمع بندی و کار های آتی در این مقاله، ما مسئله ی شناسایی کردن منابع شایعه را در شبکه های اجتماعی متغیر با زمان بررسی می کنیم که در این روش می توان آن ها را به صورت یک سری از شبکه های ایستا ، با استفاده از پنجره های زمانی ادغام شده، کوتاه کرد. برای رفع کردن چالش ایجاد شده در اثر شبکه های اجتماعی متغیر با زمان، ما از دو روش ابتکاری استفاده می کنیم. نخست، ما از یک روش نشر معکوس جدید استفاده می کنیم که می تواند به شدت فضای جست جو را کاهش دهد. این موضوع موجب رفع مشکل مقیاس پذیری در فضای جست جو شده و ازین رو کارایی این روش را تا حد بسیار زیادی بهبود می دهد. سپس ما یک مدل تحلیلی برای نشر شایعه در شبکه های اجتماعی متغیر با زمان ارائه می کنیم. بر اساس این مدل، ما بیشترین احتمال از هر گره ی احتمالی را بررسی می کنیم تا بتوانیم منابع واقعی شایعه را نسبت به موارد مظنون، شناسایی کنیم. ما یک سری از آزمایش ها برای ارزیابی کردن کارایی این روش انجام می دهیم. نتایج این آزمایش ها نشان می دهد که روش ما برای شناسایی کردن منابع شایعه در انواع مختلف از شبکه های اجتماعی متغیر با زمان عملکرد خوبی دارد. |
بخشی از مقاله انگلیسی |
Abstract Identifying rumor sources in social networks plays a critical role in limiting the damage caused by them through the timely quarantine of the sources. However, the temporal variation in the topology of social networks and the ongoing dynamic processes challenge our traditional source identification techniques that are considered in static networks. In this paper, we borrow an idea from criminology and propose a novel method to overcome the challenges. First, we reduce the time-varying networks to a series of static networks by introducing a time-integrating window. Second, instead of inspecting every individual in traditional techniques, we adopt a reverse dissemination strategy to specify a set of suspects of the real rumor source. This process addresses the scalability issue of source identification problems, and therefore dramatically promotes the efficiency of rumor source identification. Third, to determine the real source from the suspects, we employ a novel microscopic rumor spreading model to calculate the maximum likelihood (ML) for each suspect. The one who can provide the largest ML estimate is considered as the real source. The evaluations are carried out on real social networks with time-varying topology. The experiment results show that our method can reduce 60 – 90 percent of the source seeking area in various time-varying social networks. The results further indicate that our method can accurately identify the real source, or an individual who is very close to the real source. To the best of our knowledge, the proposed method is the first that can be used to identify rumor sources in time-varying social networks.
۸- CONCLUSION AND FUTURE WORK In this paper, we explore the problem of rumor source identification in time-varying social networks that can be reduced to a series of static networks by introducing a time-integrating window. In order to address the challenges posted by time-varying social networks, we adopted two innovative methods. First, we utilized a novel reverse dissemination method which can sharply narrow down the scale of suspicious sources. This addresses the scalability issue in this research area and therefore dramatically promotes the efficiency of rumor source identification. Then, we introduced an analytical model for rumor spreading in time-varying social networks. Based on this model, we calculated the maximum likelihood of each suspect to determine the real source from the suspects. We conduct a series of experiments to evaluate the efficiency of our method. The experiment results indicate that our methods are efficient in identifying rumor sources in different types of real time-varying social networks. |
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
تشخیص سرچشمه شایعه در شبکه های اجتماعی با توپولوژی متغیر با زمان |
عنوان انگلیسی مقاله: |
Rumor Source Identification in Social Networks with Time-varying Topology |
|