چکیده فارسی :

شبکه های اجتماعی،بستر رایجی برای تعاملات انسانی شده اند که به علت توسعه سریع اینترنت می باشد. همراه با افزایش تقاضا در تحلیل شبکه، موضوع رده بندی نود یک حوزه مهم تحقیقاتی شده است. هدف این مقاله بیان رده بندی نود با استفاده از روش یادگیری آنلاین متوالی همراه با نقش مشخصات نود و لینک ها می باشد. در مقایسه با روش های رده بندی مرسوم، ما نباید از ویژگی های نود برای رده بندی نود استفاده کنیم، اما تعامل در میان نودهای به هم لینک شده را مورد ملاحظه قرار می دهیم. در این مقاله، فرض می کنیم که نودها، لیبل گذاری جزئی در شبکه اجتماعی شده اند و ما از این نودهای لیبل گذاری شده برای پیش بینی رده نودهای بدون لیبل استفاده می کنیم. بر اساس روش یادگیری OS-ELM ، سه رویکرد رده بندی نود مطرح می شود. ابتدا، تاثیر سایر نودها ملاحظه می شود، ما اطلاعات اتصالی را با مشخصه های نودهای آموزش دیده ترکیب می کنیم تا طبقه بندی کننده را یاد گیریم. پس، به منظور کاهش زمان یادگیری، روشی برای تصحیح ویژگی های نود ارائه می دهیم. در نهایت، با توجه به ساختارهای گراف، ما روش رده بندی بهینه سازی نود را ارائه می دهیم. آزمایشات وسیعی برای بررسی اجرای روش های پیشنهادی اجرا می شود.

چکیده انگلیسی :

Social networks have been a common platform for human interactions due to the rapid development of Internet. Along with the rising demand in network analysis, the issue of node classification have became an important research field. This article aims to address the task of node classification using an on-line sequential learning method with the role of links and node features. Compared to the conventional classification methods, we should not only use the node features for node classification, but also consider the interaction among the linked nodes. In this paper, we assume that the nodes have been partially labeled in a social network, and we use these labeled nodes to predict the categories of unlabeled nodes. Based on OS-ELM learning method, three node classification approaches are proposed. First, considering the influence of other nodes, we combine the linkage information with the features of the trained nodes to learn the classifier. Then, for reducing the learning time, we present a method to refine the node features. Finally, according to graph structures, we present an optimization node classification method. Extensive experiments were conducted to verify the performance of our proposed methods.