Çok kriterli karar verme yöntemi ile karmaşık ağdaki düğümlerin ayırt edilebilirliğinin artırılması için bileşik merkezilik ölçütlerinin geliştirilmesi
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Karmaşık ağlarda düğümlerin merkeziliğinin belirlenmesi, etkileyici düğümlerin tespiti, viral pazarlama, söylentilerin yayılmasının önlenmesi gibi birçok alanda pratik faydalar sağlamaktadır. Öte yandan, merkeziliğin tanımı konusunda bir fikir birliği yoktur. Bu nedenle, bir düğümün merkeziliğini ölçmek için derece, yakınlık ve aradalık gibi farklı merkezilik ölçütleri geliştirilmiştir. Bununla birlikte, her merkezilik ölçütü, ağdaki düğümlerin çeşitli özelliklerini kendi bakış açısından ön plana çıkarabilmektedir. Bundan dolayı her merkezilik ölçütü, karmaşık ağdaki düğümleri farklı bir sırada sıralayabilmektedir. Son yıllarda araştırmacılar, çoklu merkezilik ölçütlerini birleştiren yaklaşımlara odaklanmaktadır. Bu tezde, birden çok merkezilik ölçütünü birleştirmek için Analytic Hierarchy Process (AHP) ve kriter ağırlıklandırmak için Entropi ağırlıklandırma ve Technique for Order Preference by Similarity to Ideal Solutions (TOPSIS) ağırlıklandırma yöntemlerini kullanan hızlı ve etkin bir yöntem öneriyoruz. Önerilen yöntem, sentetik ve gerçek veri setleri ile yapılan testlerin sonuçları kıyaslanarak elde edilmiştir. Deneysel sonuçlara göre önerilen yöntem benzer çalışmalara göre rekabetçi sonuçlar verirken, hesaplama hızı bakımından diğer yöntemlerden daha iyi olduğu görülmüştür. Böylece, önerdiğimiz yöntemin büyük ve dinamik karmaşık ağlarda kullanımını mümkün kılmaktadır. Bu amaçla 8 farklı veri seti ile analizler yapılmıştır. Her düğüme ait Aradalık (BC), Yakınlık (CC), Derece (DC), Özvektör (EC), Hubs (HS) and authorities (HA) ve Pagerank (PR) analizleri yapılmıştır. Bu tez çalışmasında elde edilen merkezilik sonuçlarının birlikte kullanılarak düğümlerin daha ayırt edilebilmelerinin artırılması amaçlanmıştır. Çok Kriterli Karar Verme Yöntemlerinden (ÇKKVY) AHP süreci uygulanarak her veri setine ait 127 kombinasyon elde edilmiştir. AHP sürecinde düğüm ağırlıkları Entropi ağırlıklandırma ve TOPSIS ağırlıklandırma yöntemleri kullanılmıştır. Her kombinasyondaki düğümler değerlerine göre gruplanarak ağdaki tüm düğümlerin sayısına oranlanmıştır. Böylece ağdaki düğümlerin ayırt edilme oranları elde edilmiştir. Bu tezde, karmaşık ağlarda bulunan düğümlere ait farklı merkezilik ölçüt değerlerinin objektif yöntemlerle birleştirilmesi ile düğümlerin ayırt edilebilirliği artırılabildiği görülmüştür.
Determining the centrality of nodes in complex networks has practical benefits in many areas such as identifying influential nodes, viral marketing, and preventing the spread of rumors. However, there is no consensus on the definition of centrality. Therefore, different centrality measures, such as degree, closeness, and betweenness centrality, have been developed to measure the centrality of a node. However, each centrality measure can highlight various characteristics of nodes in the network from its own perspective. As a result, each centrality measure can rank nodes in a different order in complex networks. In recent years, researchers have focused on approaches that combine multiple centrality measures. In this thesis, we propose a fast and effective method that combines multiple centrality measures using the Analytic Hierarchy Process (AHP) and entropy weighting and Technique for Order Preference by Similarity to Ideal Solutions (TOPSIS) weighting methods for criterion weighting. According to the experimental results obtained by comparing our proposed method with synthetic and real data sets, our proposed method provides competitive results compared to similar studies, while being faster in terms of computation. Thus, our proposed method enables the use of large and dynamic complex networks. For this purpose, analyses were performed on eight different data sets. Betweenness Centrality (BC), Closeness Centrality (CC), Degree Centrality (DC), Eigenvector Centrality (EC), Hubs (HS) and Authorities (HA), and PageRank (PR) analyses were performed for each node. In this thesis, we aimed to increase the distinguishability of nodes by using the centrality results obtained together. By applying the Analytic Hierarchy Process (AHP) from Multi-Criteria Decision Making Methods (MCDM), 127 combinations were obtained for each dataset. In the AHP process, node weights were determined using the entropy weighting and TOPSIS weighting methods. The nodes in each combination were grouped according to their values and normalized to the total number of nodes in the network. Thus, distinguishability ratios of nodes in the network were obtained. In this thesis, it has been observed that the distinguishability of nodes in complex networks can be enhanced by combining different centrality measures associated with the nodes using objective methods.
Determining the centrality of nodes in complex networks has practical benefits in many areas such as identifying influential nodes, viral marketing, and preventing the spread of rumors. However, there is no consensus on the definition of centrality. Therefore, different centrality measures, such as degree, closeness, and betweenness centrality, have been developed to measure the centrality of a node. However, each centrality measure can highlight various characteristics of nodes in the network from its own perspective. As a result, each centrality measure can rank nodes in a different order in complex networks. In recent years, researchers have focused on approaches that combine multiple centrality measures. In this thesis, we propose a fast and effective method that combines multiple centrality measures using the Analytic Hierarchy Process (AHP) and entropy weighting and Technique for Order Preference by Similarity to Ideal Solutions (TOPSIS) weighting methods for criterion weighting. According to the experimental results obtained by comparing our proposed method with synthetic and real data sets, our proposed method provides competitive results compared to similar studies, while being faster in terms of computation. Thus, our proposed method enables the use of large and dynamic complex networks. For this purpose, analyses were performed on eight different data sets. Betweenness Centrality (BC), Closeness Centrality (CC), Degree Centrality (DC), Eigenvector Centrality (EC), Hubs (HS) and Authorities (HA), and PageRank (PR) analyses were performed for each node. In this thesis, we aimed to increase the distinguishability of nodes by using the centrality results obtained together. By applying the Analytic Hierarchy Process (AHP) from Multi-Criteria Decision Making Methods (MCDM), 127 combinations were obtained for each dataset. In the AHP process, node weights were determined using the entropy weighting and TOPSIS weighting methods. The nodes in each combination were grouped according to their values and normalized to the total number of nodes in the network. Thus, distinguishability ratios of nodes in the network were obtained. In this thesis, it has been observed that the distinguishability of nodes in complex networks can be enhanced by combining different centrality measures associated with the nodes using objective methods.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
