پيش‌بيني پيوند در شبكه‌هاي اجتماعي با استفاده از روش‌هاي تعبيه گراف و قدم‌زني تصادفي وزن‌دار

كارشناسي ارشد

شبكه‌هاي اجتماعي بسيار پويا، پراكنده و داراي ساختاري پيچيده هستند به همين دليل پيش‌بيني پيوند در اين حوزه بسيار دشوار است. پيش‌بيني پيوند يكي از جنبه‌هاي جذاب در داده‌كاوي است و اخيراً توجه بسياري از محققان را به‌عنوان يك روش براي تجزيه و تحليل شبكه اجتماعي به خود جلب كرده است. پيش‌بيني پيوند علاوه بر اينكه براي درك ارتباط بين گره‌ها در جوامع اجتماعي بسيار مفيد است در زمينه‌هاي چالش برانگيز ديگري مانند تحليل رفتارهاي اجتماعي افراد، تشخيص ناهنجاري در شبكه‌هاي اجتماعي و همچنين در زمينه‌هاي زيست‌شناسي و سامانه‌هاي توصيه‌كننده نيز مورد استفاده قرار مي‌گيرد. هدف از پيش‌بيني پيوند در شبكه‌هاي اجتماعي ارائه فهرستي از افراد به يك كاربر شبكه اجتماعي است، كه احتمالاً در آينده نزديك با آن‌ها ارتباط برقرار خواهد كرد. بسياري از پيوند‌‌هايي كه در شبكه وجود ندارند مي‌توانند در آينده ايجاد شوند بنابراين پيش‌بيني پيوندهاي از دست رفته در شبكه‌هاي اجتماعي و يا پيوندهاي احتمالي كه در آينده به وجود خواهند آمد، مي‌توانند خود يك چالش بزرگ باشند. هرچند اين مسئله به‌صورت گسترده‌اي مورد مطالعه و بررسي قرار گرفته است، با اين حال، مشكل چگونگي تركيب بهينه و مؤثر اطلاعات حاصل از ساختار شبكه با داده‌هاي توصيفي فراوان مربوط به گره و يال، تا حد زيادي پابرجا است. در اين تحقيق به‌مرور روش‌هاي پيشين پيش‌بيني پيوند در شبكه‌هاي اجتماعي پرداخته؛ دسته‌بندي از اين روش‌ها ارائه و سپس روش نويني جهت پيش‌بيني پيوند در شبكه‌هاي اجتماعي معرفي مي‌شود. با توجه به اين‌كه اكثر روش‌هاي پيشين تغييرات گراف را ناديده گرفته و متمركز بر روي گراف‌هاي ايستا مي‌باشند سعي بر اين داشته‌ايم كه در اين تحقيق مشكلات اين روش‌ها را حل نموده و روشي جامع و پويا براي حل مسئله پيش‌بيني پيوند در شبكه‌هاي اجتماعي ارائه دهيم كه بتواند علاوه بر در نظر داشتن اطلاعات ساختاري شبكه از اطلاعات غير ساختاري گره‌ها نيز استفاده كند و همچنين تغييرات شبكه را نيز به‌خوبي حفظ نمايد. با استفاده از اين الگوريتم پيشنهادي به يادگيري ويژگي‌هاي هر گره در گراف ارتباطات پرداخته و بردار تعبيه شده¬اي براي آن‌ها مي‌سازيم. سپس با استفاده از الگوريتم دسته‌بندي به پيش‌بيني پيوند خواهيم پرداخت. در آخر روش پيشنهادي خودمان را بر روي مجموعه دادگان مربوط به مقاله مورد آزمايش قرار داده و اين روش را با روش‌هاي معروفي همچون Node2vec، DeepWalk و روش‌هاي كلاسيكي همچون همسايگان مشترك، آداميك آدار، جاكارد مقايسه خواهيم نمود.

195834

دانشگاه علم و صنعت ايران

نرم افزار

دكتر عين اله خنجري ميانه