چکیده فارسی :

شبکه‌ها‌ی اجتماعی اهمیت قابل توجهی در دهه‌ی اخیر به دست آورده اند. دسترسی به سایت‌های شبکه‌های اجتماعی از قبیل فیس‌بوک، توییتر، لینکدین، گوگل پلاس و… از طریق اینترنت و فناوری های ۲.۰ وب امکان پذیر شده است. علاقه مردم در تکیه بر شبکه های اجتماعی برای دستیابی به اطلاعات، اخبار و نظرات سایر کاربران روی موضوعات متنوع روز به روز بیشتر می شود. اتکا به سایت های شبکه اجتماعی موجب می شود که این سایت ها، داده های عظیمی که بر اساس سه جریان محاسباتی یعنی اندازه، صدا و حرکت (دینامیک) ویژگی گذاری شده اند، تولید کنند. این جریانات، اغلب داده ‌های شبکه‌ها‌ی اجتماعی را بسیار پیچیده می‌سازند به نحوی که تحلیل آن‌ها به صورت دستی بسیار مشکل است و این منجر به استفاده‌ی مربوط از ابزارهای محاسباتی تحلیل داده ها شده است. استخراج داده ها، دامنه‌ی وسیعی از تکنیک های کشف دانش قابل استفاده از مجموعه های داده‌ای عظیم مانند جهت ها، الگو ها و دستورات را فراهم کرده است [۴۴]. تکنیک های استخراج داده در مدل بندی قابل رفع اشکال و قابل بازیافت و یادگیری ماشین مورد استفاده قرار می گیرند. این تکنیک ها فرایندهای تفسیر داده، تحلیل داده و پیش پردازش داده را در جریان تحلیل داده به کار می گیرند. این بررسی (مقاله حاضر) تکنیک های استخراج داده‌ی متفاوت استفاده شده در جنبه های متنوع استخراج داده از شبکه های اجتماعی را در طی دهه هایی که  تکنیک های تاریخی از آنجا شروع شده است تا مدل های به‌روز شامل تکنیک نوظهور ما TRCM مورد بحث قرار می دهد.  همه‌ی پوشش داده شده در این نقد که در جدول ۱ لیست شده اند شامل ابزارهای به کار گرفته شده همراه با نام نویسندگان آنهاست.

کلمات کلیدی: شبکه‌ی اجتماعی، تحلیل شبکه‌ی اجتماعی، تکنیک های استخراج داده

چکیده انگلیسی :

Social network has gained remarkable attention in the last decade. Accessing social network sites such as Twitter, Facebook LinkedIn and Google+through the internet and the web 2.0 technologies has become more affordable. People are becoming more interested in and relying on social network for information, news and opinion of other users on diverse subject matters. The heavy reliance on social network sites causes them to generate massive data characterised by three computational issues namely; size, noise and dynamism. These issues often make social network data very complex to analyse manually, resulting in the pertinent use of computational means of analysing them. Data mining provides a wide range of techniques for detecting useful knowledge from massive datasets like trends, patterns and rules [44]. Data mining techniques are used for information retrieval, statistical modelling and machine learning. These techniques employ data pre-processing, data analysis, and data interpretation processes in the course of data analysis. This survey discusses different data mining techniques used in mining diverse aspects of the social network over decades going from the historical techniques to the up-to-date models, including our novel technique named TRCM. All the techniques covered in this survey are listed in the Table.1 including the tools employed as well as names of their authors.
Keywords: Social Network, Social Network Analysis, Data Mining Techniques