23490

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

كارشناسي ارشد

نرم افزار

1395

1399/3/11

دكتر عين اله خنجري ميانه

كامپيوتر

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.

1400/02/23

Link prediction in social networks using graph embedding methods and weighted random walk

6/1/2021 12:00:00 AM

Social networks are highly dynamic and complex, so the prediction of link in this area is very difficult. Link prediction is one of the attractive aspects in data mining and has recently attracted the attention of many researchers as a method for social network analysis. link prediction in challenging fields such as social behaviors analysis, anomaly detection, recommender systems and Biology is very effective. The goal of predicting a link in social networks is to offer a list of people whom a user is likely to connect with in the future. But many links that don't exist in the network can be created in the future. Therefore, predicting missing links in social networks or potential links that may arise in the future can be a great challenge. Although this issue has been extensively studied but, the problem of how to incorporate structural and non-structural information for link prediction task is a major problem. In this study, we will review the previous methods of link prediction in social networks and then classify these methods and introduce a new method for link prediction in social networks. Since most previous methods ignore graph changes and focus on static graphs we have tried to solve the problems of these methods in this research and present a comprehensive and dynamic method to solve the link prediction problem in social networks that can leverage both structural and non - structural information of the network and also capture dynamic of network. we use this proposed algorithm to learn the latent features of each node in the graph and build embedding vector for them. then, we use the classification algorithm to predict the links. Finally, we will test our proposed method on datasets and compare it with well-known methods such as node2vec, deepwalk and some classic methods such as common neighbors, adamic-adar and jacard.

پيش بيني پيوند , شبكه هاي اجتماعي , تحليل شبكه هاي اجتماعي