معیارهای جدید جهت پیش‌بینی لینک مبتنی بر ترکیب نودها و ساختار شبکه

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 دانشکده مهندسی کامیپوتر ـ دانشگاه آزاد اسلامی شیراز، شیراز، ایران

2 گروه مهندسی کامپیوتر - واحد شیراز - دانشگاه آزاد اسلامی - شیراز - ایران

چکیده

چکیده- امروزه مطالعه بر روی فضای اجتماعی و شبکه‌های اجتماعی و تحلیل و بررسی این شبکه‌ها رشد چشم‌گیری داشته است. در زندگی واقعی، افراد مستقل از یکدیگر نیستند. افراد در گروه های اجتماعی به هم وابسته شده اند. از جمله پرکاربردترین زمینه‌ها در مطالعه‌ی شبکه‌های اجتماعی، بحث شناسایی لینک می‌باشد که اخیراً بسیار مورد استقبال پژوهشگران داخلی و خارجی قرار گرفته است. پیش بینی لینک نه تنها می تواند در زمینه شبکه اجتماعی استفاده شود بلکه در زمینه هایی چون بیوانفورماتیک، برای کشف روابط متقابل بین پروتئین ها مورد استفاده قرار میگیرد. هدف اصلی شناسایی لینک، بررسی احتمال ایجاد یا حذف لینک بین اعضا در وضعیت آینده‌ی شبکه با استفاده از تحلیل وضعیت کنونی آن است. در این پژوهش با بهره‌گیری از معیارهای محلی شباهت مبتنی بر همسایه و معیار عمومی شباهت مبتنی بر مسیر که هر دو از ساختار گراف استفاده می‌کنند معیارهای شباهت جدیدی معرفی شده است. نتایج کار بر روی مجموعه داده های مورد بررسی برتری کار را نسبت به معیارهایی که تنها از مسیر و یا ازهمسایه بهره می‌جویند، نشان میدهد و مشاهده میشود که متد ارائه شده با ترکیب اطلاعات مسیر و همسایه ها میتواند بر اساس معیارهای precision و AUC با دقت بیشتری نسبت به روش های قبل لینک ها را پیش بینی کند.

کلیدواژه‌ها


[1] Borgatti, S. P., Everett, M. G., & Johnson, J. C. (2018). Analyzing social networks. Sage.
[2] Wasserman, Stanley; Faust, Katherine (1994). "Social Network Analysis in the Social and Behavioral Sciences". Social Network Analysis: Methods and Applications. Cambridge University Press. pp. 127. ISBN 9780521387071.
[3] Liben‐Nowell, D., & Kleinberg, J. (2007). The link‐prediction problem for social networks. Journal of the American society for information science and technology58(7), 1019-1031.
[4] Aiello L M, Barrat A, Schifanella R, et al. Friendship prediction and homophily in social media. ACM Trans Web, 2012, 6: 9
[5] Mori J, Kajikawa Y, Kashima H, et al. Machine learning approach for finding business partners and building reciprocal relationships. Expert Syst Appl, 2012, 39: 10402–10407
[6] Wohlfarth T, Ichise R. Semantic and event-based approach for link prediction. In: Proceedings of the 7th International Conference on Practical Aspects of Knowledge Management (PAKM’08), Yokohama, 2008. 50–61
[7] Raeder T, Lizardo O, Hachen D, et al. Predictors of short-term decay of cell phone contacts in a large scale communication network. Soc Netw, 2011, 33: 245–257
[8] Marchette D J, Priebe C E. Predicting unobserved links in incompletely observed networks. Comput Stat Data Anal, 2008, 52: 1373–1386
[9] Kim M, Leskovec J. The network completion problem: inferring missing nodes and edges in networks. In: Proceedings of the 11th SIAM International Conference on Data Mining (SDM’11), Mesa, 2011. 47–58
[10] Barab´asi A L, Jeong H, N´eda Z, et al. Evolution of the social network of scientific collaborations. Physica A, 2002, 311: 590–614
[11] Almansoori W, Gao S, Jarada T N, et al. Link prediction and classification in social networks and its application in healthcare and systems biology. Netw Model Anal Health Inform Bioinform, 2012, 1: 27–36
[12] Wang, P., Xu, B., Wu, Y., & Zhou, X. (2015). Link prediction in social networks: the state-of-the-art. Science China Information Sciences58(1), 1-38.
[13] Adamic L A, Adar E. Friend and neighbors on the web. Soc Networks, 2003, 25: 211–230
[14] Katz L. A new status index derived from sociometric analysis. Psychometrika, 1953, 18: 39–43
[15] Rafiee, Samira, Chiman Salavati, and Alireza Abdollahpouri. "CNDP: Link prediction based on common neighbors degree penalization." Physica A: Statistical Mechanics and its Applications 539 (2020): 122950.
[16] V. Martínez, F. Berzal, J.-C. Cubero, Adaptive degree penalization for link prediction, J. Comput. Sci. 13 (2016) 1–9.
[17] F. Li, J. He, G. Huang, Y. Zhang, Y. Shi, R. Zhou, Node-coupling clustering approaches for link prediction, Knowl.-Based Syst. 89 (2015) 669–680.
[18] F. Aghabozorgi, M.R. Khayyambashi, A new similarity measure for link prediction based on local structures in social networks, Physica A 501 (2018) 12–23.
[19] Yu, Chuanming, et al. "Similarity-based link prediction in social networks: A path and node combined approach." Journal of Information Science 43.5 (2017): 683-695.
[20] Yin Z, Gupta M, Weninger T and Han J. LINKREC: A unified framework for link recommendation with user attributes and graph structure. In: Proceedings of the 19th International Conference on World Wide Web. North Carolina, USA: ACM, 2010, pp. 1211–1212.
[21] Wang D, Pedreschi D, Song C, Giannotti F and Barabasi AL. Human mobility, social ties, and link prediction. In: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’11. New York: ACM, 2011, pp. 1100–1108.
[22] Z. Liu, Q.M. Zhang, L. L, T. Zhou, Link prediction in complex networks: a local naive bayes model, EPL Europhys. Lett. (2011) 96.
[23] J. Feng, J. Zhao, K. Xu, Link prediction in complex networks: a clustering perspective, Eur. Phys. J. B 85 (2012) 1–9.
[24] Bastami, E., Mahabadi, A., & Taghizadeh, E. (2019). A gravitation-based link prediction approach in social networks. Swarm and evolutionary computation44, 176-186.
 [25] Newman M E J. Clustering and preferential attachment in growing networks. Phys Rev E, 2001, 64: 025102
[26] Zhou, M., Li, B., Yang, M. & Pan, L. TeleGraph: A Benchmark Dataset for Hierarchical Link Prediction. arXiv preprint arXiv:2204.07703 (2022).
[27] Long, Y. et al. Pre-training graph neural networks for link prediction in biomedical networks. Bioinformatics 38, 2254–2262 (2022).
[28] Kumar, S., Mallik, A. & Panda, B. S. Link prediction in complex networks using node centrality and light gradient boosting machine. World Wide Web 1–27 (2022).