<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه اصفهان</PublisherName>
				<JournalTitle>نشریه ریاضی و جامعه</JournalTitle>
				<Issn>2345-6493</Issn>
				<Volume>6</Volume>
				<Issue>1</Issue>
				<PubDate PubStatus="epublish">
					<Year>2021</Year>
					<Month>05</Month>
					<Day>22</Day>
				</PubDate>
			</Journal>
<ArticleTitle>A study of mathematical structures in the modeling of social systems: social networks analysis</ArticleTitle>
<VernacularTitle>مطالعه ساختارهای ریاضی در مدلسازی سیستم‌های اجتماعی: تحلیل شبکه‌های اجتماعی</VernacularTitle>
			<FirstPage>67</FirstPage>
			<LastPage>76</LastPage>
			<ELocationID EIdType="pii">26051</ELocationID>
			
<ELocationID EIdType="doi">10.22108/msci.2021.129873.1452</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>مهدی</FirstName>
					<LastName>خواجه صالحانی</LastName>
<Affiliation>دانشکده ریاضی، آمار و علوم کامپیوتر، دانشکدگان علوم، دانشگاه تهران، تهران، ایران.</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2021</Year>
					<Month>08</Month>
					<Day>03</Day>
				</PubDate>
			</History>
		<Abstract>To analyze and investigate the structure of a social network and to consider the existing interactions within the network – just based on the interacting information among individuals and elements of the network – besides a suitable method for data visualization (which is the hyper-graph representation in the present paper) we require a precise and reliable model as well. In order to design and construct such a desirable model, we employ a deep learning technique on graphs and make use of a convolutional neural network for the associated hyper-graphs based on the same concepts on multi-graphs. The given framework and model of this paper can be used to represent the scale-free characteristics of a social network, and be extended for analyzing any social network and studying its mathematical structure.</Abstract>
			<OtherAbstract Language="FA">برای تحلیل و بررسی ساختار یک شبکه اجتماعی و مطالعه تعاملات موجود تنها بر اساس اطلاعات ارتباطی بین عوامل و اجزاء شبکه، علاوه بر شیوه‌ای مناسب برای نمایش داده‌ها (که در این مقاله نمایش اَبَرگرافی می‌باشد) به مدلی دقیق و قابل اطمینان نیز احتیاج داریم. به‌منظور طراحی و ساخت چنین مدل مطلوبی از تکنیک یادگیری عمیق(deep learning) روی گراف‌ها استفاده کرده و یک شبکه عصبی پیچشی (convolutional neural network) بر پایه گراف‌های چندگان(multi-graph) را برای ابَرگراف‌های مورد نظر به‌کار برده‌ایم. با استفاده از چارچوب و مدل ارایه شده در این مقاله می‌توانیم ویژگی‌های مستقل از مقیاسِ یک شبکه اجتماعی را به نمایش گذاشته و آن‌را برای مطالعه ساختار ریاضیاتی و تحلیل هر شبکه اجتماعی دلخواهی تعمیم دهیم.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">شبکه‌ اجتماعی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">ساختار ریاضیاتی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">شبکه عصبی پیچشی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://math-sci.ui.ac.ir/article_26051_64d792c71b1c71e98808d24f8aa991a6.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
