Đang tải... (xem toàn văn)
Qua môn học này, chúng em đã nắm được các khái niệm cơ bản liên quan đến mạng xã hội, các đặc trưng mạng, một số nguyên tắc xã hội và ứng dụng của mạng xã hội trong thực tế cũng như mô hình hóa và biểu diễn mạng, tính các độ đo và ứng dụng các độ đo này tìm tác nhân có tầm ảnh hưởng, vận dụng các phương pháp trích xuất thông tin chứa trong một mạng xã hội để đo lường và mô tả mạng, phân tích thống kê và đại diện trực quan, dự đoán hành vi của mạng các ứng dụng cụ thể của việc phân tích mạng trong quản lý, chiến lược phát triển, sự lan truyền những ý tưởng mới, sự đổi mới và khám phá cộng đồng mạng xã hội. Chúng em được cô trang bị cho một nền tảng để định hướng cho công việc sau này trong tương lai.
ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA HỆ THỐNG THÔNG TIN ĐỒ ÁN CUỐI KÌ MẠNG XÃ HỘI TÊN ĐỀ TÀI: MẠNG LIÊN KẾT GIỮA CÁC MÓN ĂN ẤN ĐỘ DỰA TRÊN THÀNH PHẦN NGUYÊN LIỆU Thành phố Hồ Chí Minh, ngày 09, tháng 12 , năm 2020 LỜI CÁM ƠN Lời nói cho phép chúng em gửi lời cảm ơn sâu sắc đến với cô Nguyễn Thị Kim Phụng Cảm ơn cô suốt thời gian qua tận tình giảng dạy, truyền đạt cho chúng em kiến thức hữu ích mơn Mạng xã hội Qua môn học này, chúng em nắm khái niệm liên quan đến mạng xã hội, đặc trưng mạng, số nguyên tắc xã hội ứng dụng mạng xã hội thực tế mơ hình hóa biểu diễn mạng, tính độ đo ứng dụng độ đo tìm tác nhân có tầm ảnh hưởng, vận dụng phương pháp trích xuất thơng tin chứa mạng xã hội để đo lường mô tả mạng, phân tích thống kê đại diện trực quan, dự đoán hành vi mạng ứng dụng cụ thể việc phân tích mạng quản lý, chiến lược phát triển, lan truyền ý tưởng mới, đổi khám phá cộng đồng mạng xã hội Chúng em cô trang bị cho tảng để định hướng cho công việc sau tương lai Cuối lời, chúng em kính chúc gia đình thật nhiều sức khoẻ, hạnh phúc riêng cô đạt thêm nhiều thành công, tâm huyết đường nghiệp Thành phố Hồ Chí Minh, ngày 09 tháng 12 năm 2020 Nhóm sinh viên thực NHẬN XÉT CỦA GIÁO VIÊN ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ……………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… MỤC LỤC I Tổng quan đề tài 1.1 Ý tưởng 1.2 Dữ liệu 1.2.1 Mô tả liệu gốc 1.2.2 Xử lý liệu 1.2.3 Kết II Thể mạng lưới liên kết tổng quan node .10 2.1 Hiển thị sơ đồ kết nối tổng quan với Python .10 2.2 Hiển thị graph Gephi .15 III Tính visualize độ đo Python Gephi 16 3.1 Degree Centrality (độ đo trung tâm dựa bậc nút) .16 3.1.1 Sử dụng Python 16 3.1.2 Sử dụng Gephi .18 3.2 Closeness Centrality (độ đo trung tâm dựa gần gũi) 20 3.2.1 Sử dụng Python 20 3.2.2 Sử dụng Gephi .22 3.3 Betweeness Centrality (độ trung tâm giữa) 24 3.3.1 Sử dụng Python 24 3.3.2 Sử dụng Gephi 26 3.4 Eigenvector Centrality 27 3.4.1 Sử dụng Python 28 3.4.2 Sử dụng Gephi 29 3.5 Pagerank .31 3.5.1 Sử dụng Python 31 3.5.2 Sử dụng Gephi 33 3.6 Harmonic (số bình qn điều hịa) 35 3.6.1 Harmonic Mean với Python 35 3.6.2 Harmonic Closeness Centrality với Gephi .37 IV Thuật toán gom cụm, chia cộng đồng .38 4.1 Thuật toán Louvain 38 4.1.2 Chia cộng đồng với Python 38 4.1.2 Chia cộng đồng với Gephi 39 4.1.3 Nhận xét cộng đồng .40 4.2 Thuật toán Girvan-Newman .42 4.2.1 Chia cộng đồng với Python 42 4.2.2 Chia cộng đồng với Gephi 43 4.2.3 Nhận xét cộng đồng .46 V Bảng phân công công việc đánh giá thành viên 47 VI TÀI LIỆU THAM KHẢO .47 I Tổng quan đề tài 1.1 Ý tưởng Nhóm chúng em tìm mạng lưới mối liên hệ ăn (Name) dựa thành phần nguyên liệu (Ingredients) chúng Nhóm sử dụng độ đo Closeness Centrality, Harmonic Means, Page Rank, Hub, Betweenness Centrality, Eigenvector-Centrality, Edges Betweenness Centrality để biểu diễn mối quan hệ, từ đó, tìm ăn có số mối liên hệ nguyên liệu nhiều 1.2 Dữ liệu - 1.2.1 Mô tả liệu gốc Tên liệu: Indian Food 101 Nguồn liệu: https://www.kaggle.com/nehaprabhavalkar/indian-food-101 - Mô tả liệu: Ẩm thực Ấn Độ bao gồm nhiều ăn truyền thống khu vực có nguồn gốc từ tiểu lục địa Ấn Độ Với đa dạng thổ nhưỡng, khí hậu, văn hóa, dân tộc nghề nghiệp, ăn có khác biệt đáng kể sử dụng loại gia vị, thảo mộc, rau trái sẵn có địa phương Thực phẩm Ấn Độ bị ảnh hưởng nhiều tôn giáo, đặc biệt Ấn Độ giáo, lựa chọn văn hóa truyền thống Tập liệu bao gồm thơng tin ăn Ấn Độ khác , thành phần chúng , xuất xứ chúng , v.v - Thuộc tính liệu: name : tên ăn ingredients: thành phần sử dụng diet : loại chế độ ăn kiêng - ăn chay không ăn chay prep_time : thời gian chuẩn bị cook_time : thời gian nấu flavour_profile : hồ sơ hương vị bao gồm xem ăn có vị cay, ngọt, đắng, v.v course : ăn - khai vị, chính, tráng miệng, v.v state : nơi tiếng với ăn nguồn gốc ăn region : khu vực mà bang thuộc - Nhận xét: Dữ liệu đầy đủ, không xuất giá trị bị thiếu 1.2.2 Xử lý liệu Hai thuộc tính nhóm chúng em chọn để phân tích “Name” “Ingredients” Chúng em sử dụng thuộc tính “Name” làm nút/nodes cho sơ đồ Cạnh/edges hình thành dựa ăn có nguyên liệu giống - Các bước thực để tạo tập tin nodes.csv edges.csv Bước 1: Cài đặt gọi thư viện cần thiết Bước 2: Upload tệp liệu vào google colab Bước 3: Gán tệp liệu excel vào tên df đọc file df Bước 4: Tách nguyên liệu riêng lẻ hàm split Bước 5: Gom nhóm ăn có nguyên liệu Bước 6: Hình thành cạnh dựa có nguyên liệu giống 1.2.3 Kết - File Nodes.csv với 253 nodes - File Edges.csv với 3837 cạnh 10