تعریف برد تابع
ترس در بچه ها را چگونه مدیریت کنیم؟
گاه پیش می آید که والدین برای جلب توجه یا آرام کردن بچه هایشان به اشتباه آنها را از حیوانات یا افرادغریبه یا آشنای خاصی می ترسانند، اما نمی دانند که بچه ها فرق بین واقعیت و خیال را نمی دانند و ممکن است این ترس در ناخودآگاه آنها تثبیت شود و تا بزرگسالی ادامه پیدا کند.
توصیه های پزشکی برای زائران اربعین حسینی
زائرانی که به سفر اربعین می‌روند، توصیه‌های سلامتی را دست کم نگیرند و به نکات گفته شده رعایت کنند.
عادات نابود کننده لپ تاپ
عدم توجه به گرمای لپ تاپ یکی از عاداتی است که باعث خرابی لپ تاپ می‌شود.
یادداشت
تبلیغات
خادمی در خانه پدری
اربعین زوایای پنهان زیادی دارد که هر کدام، می‌توانند تبدیل شوند به روایت‌هایی بکر و جذاب. یکی از این زوایای نسبتا پنهان‌تر، مهمان‌خانه حرم امام علی علیه‌السلام است که تعداد زیادی از زوار ساکن در نجف را اطعام می‌کند. آنان که رفته‌اند می‌دانند لذت زیارت اربعین، به پیاده‌روی در طریق، رسیدن به کربلا پس از چندین روز و رها کردن خود در سیل زواری است که به سمت حرم و دور ضریح، روان است. اما هستند افرادی که این لذت را نادیده می‌گیرند و در مواقعی حتی به جاماندن از زیارت اربعین نیز راضی می‌شوند.
گروه فرهنگی
اربعین زوایای پنهان زیادی دارد که هر کدام، می‌توانند تبدیل شوند به روایت‌هایی بکر و جذاب. یکی از این زوایای نسبتا پنهان‌تر، مهمان‌خانه حرم امام علی علیه‌السلام است که تعداد زیادی از زوار ساکن در نجف را اطعام می‌کند. آنان که رفته‌اند می‌دانند لذت زیارت اربعین، به پیاده‌روی در طریق، رسیدن به کربلا پس از چندین روز و رها کردن خود در سیل زواری است که به سمت حرم و دور ضریح، روان است. اما هستند افرادی که این لذت را نادیده می‌گیرند و در مواقعی حتی به جاماندن از زیارت اربعین نیز راضی می‌شوند. آنچه آنان را به دل کندن از این لذت راضی می‌کند، شریک شدن در سفره اطعام حضرت پدر است. کمک حال پدر بودن، زایدالوصف است لذتش. میزبانی از زوار آن هم در خانه پدر امام حسین و پدر تمام زوار او، حس بی‌نظیری دارد که خادمان مهمان‌خانه حرم یا به قول خود خدام، «مضیف» را مشتاق تجربه مکرر آن می‌کند.
یکی از دوستان نویسنده که چند باری در فرهنگی« رسالت »
هم قلم زده بود، می‌خواست برای بار دوم سفر مضیف برود در ایام اربعین. آنچه در پایین می‌خوانید، روایتی است از خدمتگزاری در مضیف و مهم است که بدانیم روایت با گزارش، متفاوت است. به این معنا که در روایت به جای جزئیات و اطلاعات مفید، باید به دنبال حس و حال، فاز و فضا و جو موجود در یک رویداد باشیم. روایت، خاصتا روایتی که در پایین می‌خوانیم، بسیار شخصی است و یک رویداد بیرونی از آن جهت روایت می‌کند که سبب رویدادهایی در درون راوی شده است. به این ترتیب روایت، اساسا در مورد درون است تا بیرون. روایت همچنین کوتاه‌تر از سفرنامه است و تنها آنچه از رویداد یا سفر در قلب و اعماق دل و تعریف برد تابع احساس راوی بر جای مانده را تعریف می‌کند.
روزهای اول، دوم، سوم، چهارم:
بنا داشتم امسال سفت‌تر سفرنامه را بنویسم که به کار جواد هم بیاید، نتیجه؟ همین که می بینی. روز چهارم سفر شب شد و تازه دست به تایپ شدم. العبد یدبر، و الله یقدر. شش و نیم صبح، عجول سوار اتوبوس شدم. از پادگان زدیم بیرون، سفر شروع شد. سفری که یکبار تجربه کرده بودم و فکر نمی کردم دوباره تجربه کنم. بنایم هم این بود، یک سال برو مضیف حرم امیرالمومنین، طریق را سال بعد تعریف برد تابع برو. یک سال را رفتم، بعد کرونا شد، و حالا که مجدد ممکن شده، دعوت‌نامه‌ای که فکر نمی کردم بیاید را، ربیعی فرستاد. نامه هاگوارتز بود انگار. درجا جواب مثبت را فرستادم. اگر عروس اینطور سرضرب بله بگوید، تا هفت نسل بعد عمه‌ها برایش حرف درمی آورند. البته وقتی پای عاشقی وسط باشد، بگذار دربیاورند. تهش آنکه باید
می گوید ببین چقدر دوستش داشته. من هم، سر ضرب بله را گفتم که همین را ثابت کنم. این‌شد که پنج‌شنبه صبح توی اتوبوس نشسته بودم.
بیست و چهار سالم دارد تمام می‌شود. پر از روزهای سخت و ساده. اما این، تا همینجا، پر قطع و وصل‌ترین سفر بوده. توی گوشی تصاویر جماعت سرایا را که می دیدم، دلم لرزید که سفر هوا شد. دوساعت بعد که مقتدا صدایشان کرد خانه‌هاشان، دلم آرام شد. اما چند کیلومتری مهران، که حدود ۱۱ شب به آن رسیدیم، دلم نلرزید. ریخت روی زمین. قریب به یقین بود که سفر هوا شده. مسیر کامل بسته بود. تا صبح ماشین‌ها دقیقا یک‌جا ایستاده بودند. ملت کف جاده خوابیده بودند. بعضی‌ها گاردریل را می‌کندند تا دور بزنند بروند خانه. چهل و هشت ساعت دقیقا طول کشید. تمام این دو روز در گرمی بیابان یا در انتهای اتوبوس، روی موتور، با کولری که بادش نمی‌رسید، سپری شد. تعارف هم نداریم، خیلی سخت بود. اما دست آخر، درست شش و نیم صبح روز سوم، نزدیک طلوع شرعی آفتاب، ما توی نجف بودیم و داشتیم از پله‌برقی‌های شهر می آمدیم بالا.
تجربه ثابت کرده که اگر آدم در روز عاشورا حال گریه کردنش از روزهای دیگر محرم بیشتر باشد، در کربلا هم می‌تواند گریه کند. و خب در هر دو نمی‌شود. روایت هم هست، ظاهرا. امسال ما قبل سفر کربلا نرفتیم. [دلم می خواهد
با جمله قبل بزنم زیر گریه. اما اینجا شلوغ است.] شاید یک شبی برویم. شاید. شاید… چقدر این کلمه دور است. اما غرض اینکه، اگرچه نمی‌شود در کربلا گریه کرد، در نجف اما می‌شود. شش و نیم رسیدیم. یک زیارت به شرحی که بالا گفتم، و بعد، سراغ سهم خودمان از حرم رفتیم، آشپزخانه‌اش.
مجهزتر شده است، و این یعنی بو و گرمای کمتر. کار روز اول هم، برای تازه رسیده‌ها، سبک‌تر.
شهر اما از سه سال پیش، چندبار شلوغ‌تر. الحمدلله.
دیروز، تعریف برد تابع همکارهای مضیف نیت کرده بودند من به امپراطوری کش‌زدن دور ظرف‌ها، که سال ۹۸ برای خودم تثبیتش کرده بودم، نرسم. هر ردیفی میرفتم کش بزنم یک نفر می‌آمد جلویم شروع می‌کرد کش زدن. و چون دو پادشاه در یک اقلیم نگنجد، من سرگردان می‌شدم در بخش شستشو، دنبال دیگ آوردن و در هزاری کار دیگر که بعد بسته‌بندی بود.
امروز اما به تاج و تختم رسیدم. دستم گرم شده بود و تعریف سایر اجزای خط هم، خودمانیم، واقعا حس خوبی داشت.
اما کشیدن که تمام شد، تازه روز سخت آشپزخانه شروع شد. چیزی که دیروز آماده‌سازی مقدمات ناهار فردا بود، امروز آماده‌سازی مقدماااااااااااااااااااااااااااااااااات ناهار فردا بود.
و در همه حال، امان از مرغ.
حال و هوای معنوی مال زیارت است. مضیف، زیارت نیست. لذا اگر زور نزنی، توی آشپزخانه نگاهت هم به لوگوی زیبای عتبه نمی افتد، و با اینکه توی حرم می خوابی اما عادت فراموشت می‌کند توی حرم خوابیده‌ای.
باید حواس جمع بود و آنوقت است که آدم تا بندبندش کار می‌کند، کار می‌کند.
این یادداشت همینجا تمام می‌شود چون نویسنده در شرف بی‌هوشی‌ست.
روز پنجم
کار آشپزخونه بر خلاف دیروز خلوت بود. مجدد بر مسند کش‌زن تثبیت‌شده‌ام. بعد پایان بسته‌بندی، تقریبا فقط شستشو بود و خورد و خوراک. و البته جابه جایی چند دیگ هم همیشه در تقدیر است. البته شستشو از روزهای قبل، مفصل‌تر بود.
کار که تمام شد، صحبت دسته جمعی رفتن به کوفه شد. و امان از کوفه…
کوفه واقعا همیشه جای عجیبی‌ست. یک لحظه تصور کن جایی راه می‌روی که تمام شنیده‌هایت از پنج سال حکومت امیر، آنجا بوده. یا تصور کن مردمش را که در همین کوچه‌ها، زیر پدرجد این نخل‌ها با مسلم بیعت کرده‌اند. اگر مثل ما شب دیروقت می‌روی، تصور کن خیابان خلوت است و مسلم دارد در به در دنبال خانه‌ای که یک شب بماند می‌گردد. کاروان اسرا را در کوفه تصور نکن.
برو سمت مسجد، آدم را ببین در حال توبه، نوح را ببین در حال خروج از کشتی، امام را ببین، در حال نماز خواندن. امام را ببین در حال خطبه‌خواندن. امام را ببین، هنگام نماز صبح روز ۱۹ رمضان. برو در مسجد زیبای کوفه. امام را ببین در هنگام ورود، چندی بعد از ظهور.
برو در مسجد کوفه و انگورهای محراب را تماشا کن.
روبه روی محراب، مشغول این کلمات شدم:
گاه نشسته است با میثم خرما فروش
گاه شده چاه کَن برزگری سخت کوش
گاه کشد نیمه شب بارِ یتیمان به دوش
بارِ زنی می‌کشد طعنه‌ی او هم به گوش
این که فقط با نمک نان جوین کرده نوش
فاطمه از گریه‌اش وقت سحر بشکند…
روز پنجم
شهر خلوت شده بود. کار، خلوت شده بود. شب برای بار دوم رفتم زیارت. بهترین زیارتم بود، در همیشه.
تنها تو می مانی…
ما می رویم از یاد…
از خاک ما در باد…
بوی تو می‌آید…
روز ششم و هفتم
کار مضیف متعادل شده. شیفت‌های ظهر تا غروب، صبح تا ظهر شده. این یعنی کار متعادل، نه کم مثل قبلی‌ها، نه زیاد مثل روز مرغ‌ها. و این یعنی فرصت، برای زیارت. برای توجه به چه؟ به کم بودن فرصت!
روز هشتم
امروز سر ریل بودم، کامل. کار سر ریل سخت تر است. چون نجنبی غذا رفته. بعد تلنبار می شود و باید ریل را خاموش کنند تا گوشت‌های گذاشته نشده چلوگوشت‌ها توی ظرف گذاشته شود، درهاشان با فشار بسته شود، و کش، سرزمین محبوب من تقی صدا کند و تمام.
امروز، سوای اعصاب خرد کن بودن خادم ایرانی روبه رویی، که کم کار می‌کرد و خنک، همان سر ریل نیم کیلو گوشت چلوگوشت را خورد، روز غم انگیزی بود که کاش تمام نمی‌شد. کش به کش، در ظرف به در ظرف به پایان نزدیک‌تر شدیم و یک دفعه ابراهیم پور ظرفی را بالا برد و گفت: بچه‌ها، آخرین غذا. این، معنایش این بود که هرچند کارت خادمی عتبه دستمان می‌ماند، اما دیگر خدمتی نداریم که بکنیم.
جمع متلاشی شد. هرکسی برنامه منحصر بفردی داشت تقریبا. من و جواد جمع کردیم رفتیم حرم حضرت امیر.
چه بگوید خادمی که عمر خدمتش به سر رسیده؟
رفتم حرم. تنها چیزی که به ذهنم رسید، عذرخواهی بود. دلم نمی رفت حاجات بگویم. بدهکار بودم. نمی‌توانستم بیشتر بخواهم. وام گرفته بودم این ۱۰ روز را، و خوب هم خرج نکرده بودم. بدهکار بودم و روی بیشتر خواستن نداشتم. در حد یک دو درخواست پدر پسری، و خداحافظی.
الآن که اینها رو می نویسم، یحتمل پر تا پر غلط تایپی و نگارشی‌ست. چرا؟
چون با جواد توی ون، داریم می رویم سمت کربلا.
شاه، گفتا کربلا، امروز، میدان من است…
روز نهم
یک ساعت پیاده‌روی با یک کوله که برای سفرو نه پیاده‌روی بسته شده، داشتیم تا رسیدن به کربلا.
میانه‌های راه، حوالی یک و سی‌دقیقه شب، حرم سقا از دور پیدا شد.
لذت دیدن ماه کامل را در شب‌هایی که از اندازه عادی بزرگتر است، صد برابر کنید. شاید یک ذره از آنچه دیدیم باشد. همه‌چیز، همه‌چیز، تمام آنچه وجود داشت، جلوی ما بود. رفتیم.
از کنار حرم عباس رفتیم سمت بین الحرمین. روی حرمش، پرچم بزرگ زده بودند السلام علیک یا ساقی عطاشی کربلا.
دوتایی یکباره زیر لب شروع کردیم که، ای ساقی لب تشنگان، ای جان جانانم، سقای طفلانم. حال خوشی بود، واقعا.
کمی بعد در بین الحرمین بودیم.
لوکیشنش را اینستاگرام می‌گوید “جنت الله فی ارضه”
گواهی بر اینکه نور خورشید واقعا چقدر روشن است.
گذرنامه را گذاشتیم توی جیب شلوار، کوله‌ها که تمام بار سفر بود را انداختیم روی نرده‌های بین الحرمین. به امیددیدار مجدد در زمانی دیگر.
حدود ساعت سه رفتیم توی حرم ارباب. ازدحام بود دوباره. این‌بار البته کسی نیزه و سنگ نداشت. حرم ارباب روضه منسجم است. مثلا همین که، بعد ورود از هر باب با شیب تند رفتیم پایین. مردد بودیم که روضه منوره، زیر قبه برویم یا نه. ازدحام شدید بود، دوباره. دو دل ایستادیم،
بعد گفتیم بدترین سناریو اگر مرگ باشد، که بهترین سناریو است. دل به دریا زدیم. نه که استعاره از خطر کردن باشد. واقعا دل به دریا زدیم. از باب علی اکبر خودمان را انداختیم در دریا. دریا من را برد. دعای مستجاب تحت قبه‌ام، به تماشا گذشت.
چه بگویم؟ که غم از دل برود.
خارج شدیم. از بهشت نورانی. از روضه منوره. از تحت قبه مستجاب الدعوه. سبک. روشن. غافل از اینکه با همان خط زیبا که نوشته بود باب شاهزاده، علی اکبر (ع)، کمی جلوتر نوشته سرخ رنگی روی دیوار بود که ذغال گداخته می ریخت در دل آدم. به ذغال گداخته تشبیه نمی کنم. حس دیدنش، به خدا قسم همینطور بود. در بدن آدم جایی پایین سینه شعله می‌کشید. حرارتش لهیب داشت. درد بود. هیچ کسی روضه نمی خواند. اصلا کسی کلمه‌ای حرف نمی زد. حتی همهمه ازدحام هم خاموش بود. مردم و ما بهت زده به آن ضریح خالی نزدیک می شدیم، و تنها صدا، گریه بود. نه گریه سبک هیئت. گریه درد. صدای گریه تیر خورده. سنگین. تلخ. مهیب.
روی دیوار نوشته بود؛ مذبح مقدس.
آموزش ریاضی
[ویرایش] تعریف کلی برای تابع پوشا یا تابع بر روی مجموعه‌ها
گیریم f تابعی است که ناحیه تعریف آن X و ناحیه مقصد آن Y باشد، یعنی تصویر x به توی y باشد:
در اینصورت مقادیر این تابع که آن را با f ( x ) نشان می‌دهیم، یک زیر مجموعه‌ای است از مجموعه y، یعنی یعنی اگر ناحیه مقصد Y و ناحیه مقادیر تابع f ( X ) یکسان باشند، در اینصورت f «تابعی از X در روی Y است» یا f «X را در روی Y تصویر می‌کند». یا به طور ساده گویند f یک تابع پوششی است.
در این نوع از توابع هریک از عناصر ناحیه مقصد (یعنی )، تصویر یکی از عناصر ناحیه تعریف تابع می‌باشند.
[ویرایش] تصویر:مثالی از تابع پوشا
1) تابع جز صحیح Ө:R→Z از مجموعه اعداد حقیقی به مجموعه اعداد صحیح که هر عدد حقیقی x را به جز صحیح x نظیر می‌کند.
ولی تابع قدر مطلق α:R→R از مجموعه اعدادحقیقی به خودش که هر عدد حقیقی x را به قدر مطلق آن نظیر می‌کند.
چون اگر منحنی تابع قدر مطلق را رسم کنیم این منحنی فقط اعداد حقیقی مثبت را شامل می‌شود که با تعریف تابع قدر مطلق که تمام اعداد حقیقی را شامل می‌شود تناقص دارد. پس تابع قدر مطلق پوشا نیست.
همانطور که در گذشته نیز اشاره شد در تابع f:X→Y برد f ممکن است دقیقاً برابر مجموعه Y نباشد، ولی همواره زیرمجموعه‌ای از Y است.
حال اگر برد تابع f برابر مجموعه Y باشد یعنی ran f =Y در این صورت هر عضو Y تصویر یک عضو مجموعه X تحت f خواهد بود. یعنی برای هر y∈Y، عضوی چون x∈X وجود دارد که (y=f(x. در این حالت تابع f:X→Y را تابع پوشا(برو) یا سوژکتیو می‌گویند و به اصطلاح تعریف برد تابع می‌گویند f مجموعه X را بروی Y می‌نگارد.
این نکته بسیار حایز اهمیت است، چرا که در مورد نماد f:X→Y دو گزاره f تابعی از X به توی Y است و f تابعی از X به روی Y است با هم تفاوت دارند و گزاره دوم چیزی بیش از گزاره اول یعنی پوشا بودن تابع f را نیز بیان می‌کند.
پس تابع f:X→Y یک تابع پوشا(برو) است هرگاه:
اگر f:X→Y یک تابع غیر پوشا باشد، یک راه برای پوشا کردن تابع f تحدید همدامنه آن به برد f است. به عبارت دیگر می‌توان اعضایی از مجموعه Y(همدامنه) که تصویر هیچ عضوی از X نمی‌باشند(یعنی متعلق به برد تابع نمی‌باشند) را حذف نمود در این صورت تابع f از X به مجموعه تقلیل داده شده تابعی پوشا خواهد بود. مجموعه‌ای که می‌توان Yرا به آن تحدید نمود و تابعی پوشا بدست آور تصویر X تحت f با همان (f(X است که همانطور که در بالا نیز اشاره شد، این مجموعه همان برد تابع است.
بنابر این اگر f:X→Y یک تابع باشد تابع (f:X→f(X تابعی پوشا است و این از تعریف (f(X قابل اثبات است. به عنوان مثال f: R → R به ضابطه f(x)=x 2 یک تابع پوشا نمی‌باشد. چرا که اعداد حقیقی منفی در همدامنه f(همان مجموعه R ) تصویر هیچ عضوی از دامنه خود نمی‌باشند، چرا که مربع هیچ عدد حقیقی منفی نیست. اما تابع f: R → R ≥0 یک تابع پوشا است چون برای هر y∈ R می‌توان قرار داد و داریم و لذا f پوشا است.
پیشرفت در ریاضیات
همانند اعداد، می توان دو تابع حقیقی را با هم جمع، از هم کم، در هم ضرب و بر هم تقسیم کرد و باز هم یک تابع حقیقی به دست آورد. بسیاری از توابع پیشرفته، به همین صورت به دست می آیند. دو تابع زیر را در نظر بگیرید:
تعریف جمع و تفاضل و ضرب دو تابع f و g:
تمرین: به طور دقیق، علت تساوی های بالا را توضیح دهید.
تعریف تقسیم دو تابع حقیقی:
فرض کنید g:X→Y و f:Y→Z دو تابع باشند. در این صورت برای هر x∈X، داریم g(x)∈Y و لذا (g(x در دامنه تابع f قرار می‌گیرد و لذا
f(g(x))∈Z. کاری که انجام دادیم این بود که ابتدا x∈X را توسط تابع g به عضوی از مجموعه Y متناظر کردیم و عضو حاصله در Y را به‌وسیله تابع f به عضوی از مجموعه Z متناظر کردیم. به این ترتیب می‌توان گفت عضو x را توسط دو تابع g,f به عضوی از مجموعه Z متناظر کردیم. این کار را می‌توان به طور مستقیم نیز انجام داد.
برای این منظور تابع h:X→Z را برای هر x متعلق به مجموعه X، به صورت ((h(x)=f(g(x تعریف می‌کنیم. چنین تابعی را ترکیب تابع g و f می‌گوییم و آن را با fog (بخوانید f اُ g) نشان می‌دهیم.
با توجه به آنچه بیان شد تابع fog را می‌توان به صورت زیر نیز تعریف کرد:
توجه داشته باشید که در حالت کلی ترکیب توابع جابجایی نمی‌باشد یعنی همواره رابطه fog=gof برقرار نمی‌باشد.
به عنوان مثال اگر f:R→R با ضابطه f(x)=x 3 و g:R→R باضابطه g(x)=lnx باشد در این صورت، داریم:
( f o g )( x ) = f ( g ( x )) = f (ln x ) = (ln x ) 3 ( g o f )( x ) = g ( f ( x )) = g ( x 3 ) = ln( x ) 3 = 3ln x
برنامه محاسبه دامنه توابع | یاس دانلود
دانلود Efofex FX Graph 6.002.3 + Portable – طراحی نمودار ریاضی
- دسته : مهندسی
- بازدید : 9,723 بار
- انتشار : یکشنبه 19 دی 1395
دانلود Efofex FX Graph
طراحی نمودار ریاضی
Efofex FX Graph 6.002.3 + Portable با این برنامه می توانید به بهترین سرعت ممکن شکل توابع مورد نیاز خود را بدست آورید. این برنامه می تواند توابع ریاضی را برای شما رسم کرده و دامنه این توابع را برای شما مشخص کنید. می توانید در محیط کاربری زیبای آن فرمول های خود را تایپ کرده و شگل و گراف آن را تحویل بگیرید.
این برنامه تعریف برد تابع عملکرد بسیار ساده ای داشته و فرمول نویسی در آن ساده می باشد. امکان ویرایش و ذخیره نمودارهای ارائه شده از دیگر قابلیت های برنامه می باشد که می توان با اضافه نمودن نوشته و تصاویر دیگر آن را برای ارائه آماده نمود. هم اکنون می تعریف برد تابع توانید نرم افزار Efofex FX Graph را به طور مستقیم از سایت یاس دانلود دریافت نمایید.
بهینه‌سازی ازدحام ذرات در یادگیری تقویتی عمیق برای شناسایی ربات‌های هرزنامه اجتماعی و کاربران تأثیرگذار بر هرزنامه در شبکه توییتر
ر شبکه‌های اجتماعی انواع مختلفی از ربات‌های اجتماعی وجود دارند. این ربات‌ها با توجه به نوع هدف آنها تقسیم به دو دسته ربات‌های مخرب که اعمالی مخرب مانند پخش بدافزار، حساب‌های جعلی و غیره دارند؛ دسته دیگر ربات‌هایی با هدف مفید مانند ربات‌های بروزرسان اخبار می‌باشند. روش‌های مختلفی وجود دارد که می‌تواند ربات‌ها را تشخیص دهند. روش‌های شناسایی زیادی وجود دارد از جمله جمع سپاری، مبتنی برساختار، مبتنی بر یادگیری ماشین و شبکه‌های عصبی و غیره. در یادگیری عمیق یک رویکرد چند زبانه است که می‌تواند حساب‌های مشکوک و ربات‌های اجتماعی توییتر را بر اساس مجموعه‌ای از ویژگی‌های مستقل از زبان حساب، بهتر شناسایی کند. برای همین ربات‌ها با دستکاری مجموعه آموزشی خود باعث جلوگیری از شناسایی می‌شوند. بنابراین ممکن است شناسایی و دسته‌بندی ربات‌ها دچار مشکل بشود و دقت این شناسایی پایین بیاید و این مسئله چالش برانگیز است.
در این پژوهش برای شناسایی ربات‌ها از روش یادگیری تقویتی عمیق Qاستفاده می‌شود. برای دقیق‌تر شدن این شناسایی روش یادگیری تقویتی عمیق را با الگوریتم تکاملی بهینه‌سازی ازدحام ذرات یا PSO ترکیب می‌شود. در PSO، ویژگی‌های زمانی (مانند میانگین تعداد توییت‌های ارسال شده در روز، طولانی‌ترین زمان جلسه کاربر، و درصد کاهش فالوور) را می‌توان برای دستیابی به عملکرد بهینه تنظیم کرد. دلیل استفاده از الگوریتم بهینه‌سازی ازدحام ذرات حداکثر رساندن دقت تشخیص ربات‌های اجتماعی و به حداقل رساندن توالی اقدامات یادگیری به منظور رسیدن به یک حالت هدف با سرعت بالاتر با تعداد تکرار کمتر می‌باشد.
این پژوهش روی شناسایی ربات‌های اجتماعی مخرب با ویژگی‌های زمانی کاربر در شبکه توییتر بر اساس الگوریتم DRL با PSO تمرکز می‌کند؛ همچنین الگوریتم یادگیری تقویتی را برای شناسایی دقیق ربات‌های اجتماعی مخرب ارائه می‌شود. همچنین شناسایی تاثیرگذارترین کاربر هم دچار مسئله می‌باشد. به این منظور که کاربرانی که تحت تاثیر ربات‌های اجتماعی هستند را شناسایی کرده؛ زیر میزان نفوذ محتوای مخرب به خاطر تعداد زیاد تعاملات کاربر و جوامع با این ربات‌ها می‌باشد.
این پژوهش برای حل این مسائل اهداف زیر را دنبال می‌کند:
الف) طراحی یک تکنیک بهینه‌سازی فرا ابتکاری با مدل تعریف برد تابع تعریف برد تابع DQL با در نظر گرفتن بردار حالت با توالی عملکرد بهینه به منظور شناسایی دقیق ربات‌های اجتماعی مخرب در شبکه توییتر
ب) به حداقل رساندن تاثیر انتشار محتوای مخرب و شناسایی جوامع تاثیرگذار در شبکه توییتر
حال سوال پیش می‌آید که این مسئله چرا در شبکه توییتر مورد بحث قرار گرفته است؛ به دلیل اینکه دقت و صحت اطلاعات، شناسایی ربات‌های مخرب و کاهش تاثیر آنها و همچنین کاهش تاثیر منفی نتشار محتوای مخرب کار مهمی می‌باشد.
راه حل برای حل این مسئله یک الگوریتم یادگیری عمیق Q مبتنی بر بهینه‌سازی ازدحام ذرات برای شناسایی ربات‌های اجتماعی با ادغام PSOبا تابع Q-value پیاده‌سازی شده است. علاوه بر این، یک الگوریتم SIU-ICD یا تشخیص جامعه تأثیرگذار برای کاهش انتشار محتوای هرز از طریق جوامع در شبکه توییتر پیشنهاد شده است.
در الگوریتم یادگیری عمیق Q (P-DQL) استراتژی موجود می‌باشد که با آن مقدار Q (Q-value)را در هر تکرار بروز رسانی می‌کند. استراتژی بروزرسانی با الگوریتم ازدحام ذرات می‌توان این طور تعریف کرد که با درنظر گرفتن ویژگی‌های مبتنی بر پروفایل کاربر در شبکه اجتماعی توییتر برای شناسایی ربات‌ها بهره برد. به همین دلیل پیشرفت ربات‌های اجتماعی برای جلوگیری از شناسایی ویژگی‌های مبتنی بر پروفایل خود را دستکاری کرده‌اند. بنابراین یک الگوریتم مبتنی بر بهینه‌سازی ازدحام ذرات با درنظر گرفتن ویژگی‌های زمانی کاربران و محتوای توییت‌های آنها در توییتر پیشنهاد شده است. در الگوریتم پیشنهادی یک پاداش مبتنی بر باور برای تعریف برد تابع تجزیه و تحلیل رفتار یک کاربر در شبکه بهره گرفته می‌شود.
باتوجه به اینکه شناسایی ربات‌های اجتماعی در شبکه‌اجتماعی توییتر می‌باشد. شبکه را به یک گراف شباهت داده می‌شود؛ یک گراف G = (P,E) که در آن P مجموعه‌ای از رئوس یا کاربران که شامل حساب‌های قانونی و ربات‌های اجتماعی می‌باشد و E مجموعه‌ای از ارتباط بین کاربران که شامل توییت، لایک، ریتوییت، پیام و غیره می‌باشد. برای هر کاربر در شبکه ویژگی‌های زمانی (مانند میانگین زمان بین دو توییت متوالی، میانگین تعداد توییت‌های ارسال شده در روز، درصد فالوورهای حذف شده و غیره) به عنوان بردار وضعیت نشان داده می‌شود.
بر اساس بردار وضعیت و انتقال عامل از حالت فعلی به حالت بعدی که مجموعه اقدامات یادگیری الگوریتم می‌باشد، مکان Q و سرعتV را مدل‌سازی می‌شود تا یک دنباله عمل بهینه را بر اساس پاداش فوری بلند مدت تعیین می‌شود. هدف کار این می‌باشد طراحی یک تکنیک بهینه‌سازی فراابتکاری با مدل DQL با در نظر گرفتن بردار وضعیت با توالی عملکرد بهینه به منظور شناسایی دقیق ربات‌های مخرب در شبکه توییتر است. علاوه بر این هدف دیگر این است حداقل رساندن تأثیر انتشار محتوای هرزنامه و شناسایی جوامع تأثیرگذار C در شبکه توییتر است.
خلاصه راه حل انجام شده عبارت است از:
الف) ارزیابی پاداش بلند مدت فورری برای هر رفتار کاربر براساس توالی اقدامات
ب) طراحی یک الگوریتم P-DQL برای شناسایی ربات‌های اجتماعی مخرب با تابع PSO در تابع Q-value
ج) توسعه یک الگوریتم SIU_ICD برای به حداقل رساندن انتشار محتوای مخرب از طریق جوامع تاثیرگذار در توییتر
د) آزمایش و ارزیابی با استفاده از دیتاست
الگوریتم پیشنهادی P-DQL فضای ذخیره‌سازی زیادی مصرف نمی‌کند؛ به دلیل اینکه الگوریتم دنباله‌ای از بهترین حالت را ذخیره می‌کند. همچنین این الگوریتم بسیار سریع‌تر همگرا می‌شود تا دنباله‌ای از اقدامات بهینه را برای رسیدن به یک حالت هدف پیدا کند؛ این عمل به‌خاطر این است که همزمان با چندتا عامل یادگیری را انجام می‌دهد.
در الگوریتم تکاملیPSO ویژگی‌های زمانی مانند میانگین تعداد توییت‌های ارسال شده در روز، طولانی‌ترین زمان آنلاین بودن کاربر، درصد کاهش فالوور، میانگین زمان بین دو توییت متوالی و غیره را می‌توان برای به دست آوردن دنباله‌ای از عملکرد بهینه تنظیم و استفاده کرد. دلیل ادغام PSOبا DQL این می‌باشد که محاسبات بالا را کاهش می‌دهد و عامل یادگیری به جای ذخیره همه جفت‌های حالت عمل ممکن، تنها بهترین دنباله اقدام را در حافظه پخش ذخیره می‌کند.
الگوریتم پیشنهادی P-DQL رفتار مخرب کاربران را با در نظر گرفتن ویژگی‌های زمانی که در الگوریتم PSO استفاده می‌شود را برای شناسایی ربات تجزیه و تحلیل می‌کند. قابل توجه است که ربات‌های اجتماعی قابلیت دستکاری ویژگی‌های زمانی را دارا نمی‌باشند، زیرا این ویژگی‌ها بر اساس رویدادهای رفتاری کاربران و تجزیه و تحلیل الگوهای رفتاری پویا آنها می‌باشد.
تعدادی از کاربران عادی در شبکه‌اجتماعی رفتاری مانند ربات‌های اجتماعی مخرب دارند که این باعث تعریف برد تابع ایجاد شک می‌شود. الگوریتم P-DQL چنین نوع کاربرانی را به عنوان یک ربات اجتماعی و رفتار آنها را جز رفتارهای یک ربات مخرب شناسایی نمی‌کند زیرا رویکرد الگوریتم به این صورت می‌باشد که اگرکاربر فعالیت و رفتارهای خود را در بازه‌های زمانی و به صورت مکرر انجام دهد را به عنوان یک رفتار مخرب شناسایی می‌کند، یعنی رفتار کاربر براساس ویژگی‌های زمانی به عنوان رفتار حالت شناسایی شود. این عمل یکی از مزایای این الگوریتم می‌باشد زیرا دفت بیشتری در شناسایی دارد.
برای ارزیابی عملکرد الگوریتم‌های پیشنهادی مقاله از دو دیتاست واقعی توییتر(توضیح بخش 5) استفاده شده است. نتایج مشاهده شده، نشان می‌دهد که الگوریتم‌های پیشنهادی از نظر مدولاریت[1]، [2]recall، دقت و f1-score[3]از دیگر الگوریتم‌های موجود در تشخیص ربات‌های اجتماعی بهتر عمل می‌کنند.
الگوریتم P-DQL را با الگوریتمPSO، شبکه عصبی پیش خور، شبکه عصبی عمیق منظم، شبکه عصبی تطبیقی، الگوریتم یادگیری تقویتی مبتنی بر محتوا و الگوریتم یادگیری تقویتی مبتنی بر تحلیل شبکه اجتماعی مقایسه می‌شود؛ همچنین برای الگوریتم SUI_ICD با الگوریتم‌های تشخیص جامعه هرزنامه نویس نظر، تشخیص گروه مخرب و K_SICDمقایسه می‌شود. الگوریتم P-DQLاقدامات کمتری برای رسیدن به وضعیت هدف نسبت به PSO احتیاج دارد و نرخ همگرایی بالاتری دارد.
برای تشخیص ربات اجتماعی مخرب، الگوریتم پیشنهادی مقاله به نام P-DQLتا 15 درصد بهبودی در مقدار دقت نسبت به سایر الگوریتم‌های موجود به دست می‌آورد. علاوه بر این، الگوریتم SIU-ICDپیشنهادی تأثیرگذارترین جوامع را با Q-valueماژولاریت بهتر (حدود 0.65) شناسایی می‌کند و از رویکردهای تشخیص جامعه مخرب موجود بهتر عمل می‌کند.
دیتاست‌هایی که در این مقاله استفاده شده است، دو تا از دیتاست‌های واقعی برگرفته از توییت‌های توییتر می‌باشد. اولین دیتاست Honeypot اجتماعی[4] می‌باشد؛ این دیتاست از تعریف برد تابع 30 دسامبر 2009 تا 2 اوت 2010 از توییتر جمع‌آوری شده است. این دیتاست شامل 22223 آلاینده محتوا(توییت‌های محتوای مخرب، پیام‌های حاوی انتشار بدافزار و غیره، تعداد دنبال‌کنندگان محتوا در طول زمان، 5613166 توییت، تعداد 19276 کاربر قانونی می‌باشد. دومین دیتاست مجموعه داده پروژه جعلی[5] می‌باشد؛ این دیتاست شامل حساب‌های واقعی و هرزنامه‌ای توییتر می‌باشد. این دیتاست دارای تعداد 9987698 توییت، تعداد 3474 کاربر قانونی و 991 کاربر مخرب می‌باشد.
مرجع
G. Lingam, R. R. Rout, D. V. L. N. Somayajulu and S. K. Ghosh, "Particle Swarm Optimization on Deep Reinforcement Learning for Detecting Social Spam Bots and Spam-Influential Users in Twitter Network," in IEEE Systems Journal, vol. 15, no. 2, pp. 2281-2292, June 2021, doi: 10.1109/JSYST.2020.3034416.
[1] اندازه گیری ساختار شبکه‌ها یا نمودارها است که قدرت تقسیم شبکه به ماژول‌ها را اندازه گیری می‌کند.
دیدگاه شما