The dynamic feature is an important

The dynamic feature is an important aspect to deeply understand an Online Social Networks user behavior. Much of the existing work tries to investigate an Online Social Networks in a relatively static way, by collecting or studying a static snapshot dataset. However, the growth of Online Social Networks is extremely rapid. Every day new users join Online Social Networks, while existing users make new friends or end social connections, join or leave groups, and so on. Considering this dynamic can extract more inherent information than studying static data, not only revealing the situation at a certain time but also predicting some future activities. Also, studying different time intervals and time granularities would lead to more interesting findings. There are several challenges for performing dynamic analysis. One is fast data collection and timely processing, where an unbiased and efficient graph sampling algorithm can play an important role. Also, collecting dynamic data raises challenges for information storage; therefore, the temporal and spatial dependence between different data items can be utilized for better compression.

ผลลัพธ์ (ไทย) 1:

มีไดนามิกสำคัญลึกซึ้งเข้าใจการทำงานของผู้ใช้เครือข่ายสังคมออนไลน์ มากของงานที่มีอยู่พยายามสืบเป็นเครือข่ายสังคมออนไลน์ในทางที่ค่อนข้างคง โดยเก็บรวบรวม หรือศึกษาชุดข้อมูลภาพแบบคง อย่างไรก็ตาม การเจริญเติบโตของเครือข่ายสังคมออนไลน์ได้อย่างรวดเร็วมาก ทุกวันผู้ใช้ใหม่เข้าร่วมเครือข่ายสังคมออนไลน์ ในขณะที่ผู้ใช้อยู่เพื่อนใหม่ หรือสิ้นสุดการเชื่อมต่อสังคม เข้าร่วม หรือออกจากกลุ่ม และอื่น ๆ พิจารณาแบบไดนามิกนี้สามารถดึงข้อมูลเพิ่มเติมอยู่กว่าเรียนข้อมูลแบบคงที่ ไม่เพียงแต่เปิดเผยสถานการณ์ในบางเวลา แต่ยัง คาดคะเนกิจกรรมบางอย่างในอนาคต ยัง เรียนช่วงเวลาต่าง ๆ และ granularities เวลาจะนำไปสู่การค้นพบที่น่าสนใจ มีความท้าทายหลายประการสำหรับการวิเคราะห์แบบไดนามิก หนึ่งได้รวบรวมข้อมูลและประมวลผลเร็วที่สุด ที่อัลกอริทึมตัวอย่างกราฟที่เป็นกลาง และมีประสิทธิภาพสามารถเล่นบทบาทสำคัญ ยัง การเก็บรวบรวมข้อมูลแบบไดนามิกเพิ่มความท้าทายสำหรับการจัดเก็บข้อมูล ดังนั้น การพึ่งพาที่ขมับ และเชิงพื้นที่ระหว่างรายการข้อมูลต่าง ๆ สามารถใช้สำหรับการบีบอัดที่ดีขึ้น

ผลลัพธ์ (ไทย) 2:

คุณลักษณะแบบไดนามิกเป็นสิ่งสำคัญที่จะเข้าใจลึกพฤติกรรมผู้ใช้เครือข่ายสังคมออนไลน์ มากจากการทำงานที่มีอยู่พยายามที่จะตรวจสอบเครือข่ายสังคมออนไลน์ในทางที่ค่อนข้างคงที่โดยการเก็บรวบรวมหรือเรียนชุดข้อมูลภาพรวมคงที่ อย่างไรก็ตามการเจริญเติบโตของเครือข่ายสังคมออนไลน์เป็นอย่างรวดเร็วมาก ทุกวันผู้ใช้ใหม่เข้าร่วมเครือข่ายสังคมออนไลน์ในขณะที่ผู้ใช้ที่มีเพื่อนใหม่หรือสิ้นสุดการเชื่อมต่อสังคมเข้าร่วมหรือออกจากกลุ่มและอื่น ๆ พิจารณาแบบไดนามิกนี้สามารถดึงข้อมูลโดยธรรมชาติมากกว่าการศึกษาข้อมูลแบบคงที่ไม่เพียงเผยให้เห็นสถานการณ์ในเวลาที่แน่นอน แต่ยังทำนายกิจกรรมบางอย่างในอนาคต นอกจากนี้การศึกษาช่วงเวลาและรายละเอียดการเวลาที่ต่างกันจะนำไปสู่​​การค้นพบที่น่าสนใจมากขึ้น มีหลายความท้าทายสำหรับการดำเนินการวิเคราะห์แบบไดนามิก หนึ่งคือการเก็บรวบรวมข้อมูลได้อย่างรวดเร็วและทันเวลาในการประมวลผลที่ขั้นตอนวิธีการสุ่มตัวอย่างกราฟที่เป็นกลางและมีประสิทธิภาพสามารถมีบทบาทสำคัญ นอกจากนี้การเก็บรวบรวมข้อมูลแบบไดนามิกจะเพิ่มความท้าทายสำหรับการจัดเก็บข้อมูล ดังนั้นการพึ่งพาอาศัยเวลาและพื้นที่ระหว่างรายการข้อมูลที่แตกต่างกันสามารถนำมาใช้สำหรับการบีบอัดที่ดีกว่า

ผลลัพธ์ (ไทย) 3:

คุณสมบัติแบบไดนามิก คือ กว้างยาวสำคัญลึกเข้าใจสังคมเครือข่ายออนไลน์ของผู้ใช้พฤติกรรม มากของงานที่มีอยู่ พยายามศึกษาเครือข่ายสังคมออนไลน์ในวิธีที่ค่อนข้างคงที่ โดยการรวบรวมข้อมูลหรือศึกษาข้อมูลแบบคงที่ อย่างไรก็ตาม การเติบโตของเครือข่ายทางสังคมออนไลน์เป็นอย่างรวดเร็วมาก ผู้ใช้ใหม่ทุกวันเข้าร่วมเครือข่ายสังคมออนไลน์ ในขณะที่ผู้ใช้ที่มีอยู่ เพื่อนใหม่ หรือสิ้นสุดการเชื่อมต่อสังคม เข้าร่วมหรือออกจากกลุ่ม และอื่น ๆ พิจารณาแบบไดนามิกนี้สามารถดึงข้อมูลโดยธรรมชาติมากกว่าการศึกษาข้อมูลแบบคงที่ , ไม่เพียง แต่แสดงให้เห็นสถานการณ์ในเวลาที่แน่นอน แต่ยังมีบางกิจกรรมที่ทำนายอนาคต นอกจากนี้ การศึกษาช่วงเวลาที่ต่างกัน และเวลา granularities จะนําไปสู่การค้นพบที่น่าสนใจมากขึ้น มีความท้าทายหลายแสดงการวิเคราะห์แบบไดนามิก หนึ่ง คือ การเก็บรวบรวมข้อมูล ประมวลผลที่รวดเร็วและทันเวลาที่เป็นกลางและมีประสิทธิภาพขั้นตอนวิธีกราฟตัวอย่างสามารถมีบทบาทสำคัญ นอกจากนี้ การจัดเก็บข้อมูลแบบไดนามิกเพิ่มความท้าทายสำหรับการจัดเก็บข้อมูล ดังนั้น ปริมาณและการแพร่การพึ่งพาระหว่างรายการข้อมูลที่แตกต่างกันสามารถใช้สำหรับการบีบอัด