000			08554namaa22004331i 4500
003			OSt
005			20250223033240.0
008			240519s2023 |||a|||f |m|| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _dara
049			_aDeposit
082	0	4	_a004.251
092			_a004.251 _221
097			_aPh.D
099			_aCai01 20 04 Ph.D 2023 Na.E
100	0		_aNariman Adel Hussein Naser, _epreparation.
245	1	0	_aExploring Influential Communities in Large Networks / _b _cBy Nariman Adel Hussein Naser; Under the supervision of: Prof. Mohamed Ezz El-Din El-Sharkawi, Prof. Hoda Mokhtar Omar Mokhtar, Prof. Ehab Ezzat Hassanein
246	1	5	_aاستكشاف المجتمعات المؤثرة في الشبكات كبيرة الحجم
264		0	_c2023.
300			_a111 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2023.
504			_aBibliography: pages 96-111.
520			_aCommunity search is a fundamental problem in graph analysis. In many ap- plications, network nodes have specific properties that are essential for mak- ing sense of communities. In these networks, attributes are associated with nodes to capture their properties. Community influence is a key property of the community that can be employed to sort the communities in a network based on the relevance/importance of certain attributes. Most of the pre- viously introduced community search algorithms over attributed networks neglected the community influence. However, certain applications require finding the top-r influential communities in the network. The objective of this thesis is to identify the top-r communities with the highest influence val- ues while satisfying the topology constraints. In this thesis, different factors for measuring the influence are discussed. In addition, two Influential Attributed Community (In f ACom) approaches based on the concept of k-clique are introduced. The first approach, Whole − In f ACom, is a sequential technique that consists of two main modules: the graph summarization module and the community search module. Whole − In f ACom is appropriate for small graphs and deals with the graph as a whole. Whole − In f ACom uses three query processing methods for retriev- ing the top-r k-influential communities: BasicExact, EnhancedExact, and Approximate. The second approach is Decomposed − In f ACom which is a parallel technique that employs a graph partitioning technique to improve the performance of the graph summarization module as well as the com- munity search module. This approach provides great speed in building the summary graph as well as retrieving the top-r influential communities. In addition, different algorithms for managing dynamic networks where edges and/or attributes could be inserted or deleted are proposed. Moreover, to deal with the problem of the lack of information as the graph is partially la- beled, a semi-supervised model named Influential Attributed Communities via Graph Convolutional Network (In f ACom − GCN) is presented. The proposed algorithms are evaluated on different real datasets. Ac- cording to the experimental results, the summarization technique reduces the size of the graph by about half. Furthermore, the results demonstrate that the proposed algorithms EnhancedExact and Approximate outperform state-of-the-art approaches Incremental Time efficient (Inc − T), Incremental Space efficient (Inc − S), Exact, and 2-Approximation (AppInc) in terms of both efficiency and effectiveness. The efficiency of the EnhancedExact algo- rithm is at least 7 times faster than the Inc − S algorithm, at least 4.5 times faster than the Inc − T algorithm, and at least 2 times faster than the AppInc algorithm. The results show that the Approximate algorithm is at least 10 times faster than the Inc − S algorithm, 6.4 times faster than the Inc − T al- gorithm, and 3 times faster than the AppInc algorithm. Furthermore, the results demonstrate that the proposed algorithms return cohesive communi- ties with smaller diameters than all previous approaches. Finally, the exper- iments show that the In f ACom − GCN outperforms GCN–FullBatch, GAT, and GraphSAGE.
520			_aالبحث عن المجتمعات تعتبر مشكلة أساسية في تحليل الرسم البياني. في العديد من التطبيقات، تحتوي الشبكات على عقد بها خصائص محددة ضرورية لفهم المجتمعات. في هذه الشبكات، ترتبط بعض السمات بالعقد وصف خصائصها. تأثير المجتمع هو خاصية رئيسية للمجتمع يمكن توظيفها لترتيب المجتمعات في الشبكة بناءً على أهمية سمات معينة. معظم خوارزميات البحث المجتمعي المقدمة سابقًا عبر الشبكات ذات السمات أهملت تأثير المجتمع. ومع ذلك، تتطلب بعض التطبيقات العثور على أعلى المجتمعات تأثيرا في الشبكات. الهدف من هذه الرسالة هو تحديد المجتمعات ذات التأثير الاعلى مع الاخذ في الاعتبار الشروط المطلوبة في بنيه الشبكة. في هذه الأطروحة، تم تقديم مقياس جديد لقياس تأثير المجتمعات في الشبكات مع الاخذ في الاعتبار عدة عوامل مختلفة. بالإضافة إلى ذلك، تم تقديم نموذجان مختلفين للبحث عن المجتمعات المؤثرة في الشبكات ذات السمات. النموذج الأول هو أسلوب تسلسلي يتكون من وحدتين رئيسيتين هما: وحدة تلخيص الرسم البياني ووحدة البحث عن المجتمعات. هذا النموذج مناسب للشبكات صغيرة الحجم حيث يتم التعامل مع الشبكة كوحدة واحده حيث يتم البحث عن المجتمعات ذات التأثير الأعلى في الشبكة ذات السمات. هذا النموذج يستند إلى ثلاث طرق لمعالجة الاستعلام لاسترداد المجتمعات ذات التأثير الأعلى وفقا لبنود الاستعلام. النموذج الثاني هو تقنية موازية تعتمد على تقسيم الرسم البياني إلى أجزاء أصغر والعمل بالتوازي عليها وذلك لتحسين أداء وحدة تلخيص الرسم البياني بالإضافة إلى وحدة البحث عن المجتمعات. يوفر هذا النهج سرعة كبيرة في بناء الرسم البياني الموجز وكذلك استرداد المجتمعات ذات التأثير الأعلى. علاوة على ذلك، للتعامل مع مشكلة نقص المعلومات حيث تم تسمية الرسم البياني جزئيًا، تم تقديم نموذج شبه خاضع للإشراف يسمى المجتمعات المنسوبة المؤثرة عبر الشبكة التلافيفية للرسم البياني. تم تقييم الخوارزميات المقترحة على مجموعات بيانات حقيقية مختلفة في الحجم. وفقًا للنتائج التجريبية، تقلل تقنية تلخيص حجم الرسم البياني بمقدار النصف تقريبًا. علاوة على ذلك، توضح النتائج أن الخوارزميات المقترحة تتفوق على أحدث الأساليب من حيث الكفاءة والفاعلية.
530			_aIssued also as CD
546			_aText in English and abstract in Arabic & English.
650		7	_aInformation Systems _2qrmak
653		0	_a Community Search _aAttributed Network _aInfluential Communities
700	0		_aMohamed Ezz El-Din El-Sharkawi _ethesis advisor.
700	0		_aHoda Mokhtar Omar Mokhtar _ethesis advisor.
700	0		_aEhab Ezzat Hassanein _ethesis advisor.
900			_b01-01-2023 _cMohamed Ezz El-Din El-Sharkawi _cHoda Mokhtar Omar Mokhtar _cEhab Ezzat Hassanein _dMohamed Sayed Kayed _dNeamat Abdel Hadi El-Tazi _UCairo University _FFaculty of computer and Artificial Intelligence _DDepartment of Information System
905			_aNourhan _eHuda
942			_2ddc _cTH _e21 _n0
999			_c167018