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

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.

new criteria for predicting links based on node composition and network structure

abstract currently, the study of social space and social networks and the analysis of these networks has grown significantly. in real life, people are not independent of each other. people in social groups are interdependent. one of the most widely used fields in the study of social networks is the issue of link identification, which has recently become popular among domestic and foreign researchers. link prediction can be used not only in the field of social networking, but also in areas such as bioinformatics, to explore the interrelationships between proteins, in the field of e commerce. the main purpose in the field of link identification is to investigate the possibility of creating or deleting links between members in the future state of the network using the analysis of its current state. in this study, using local criteria of neighbor based similarity and general path based similarity criteria, both of which use the graph structure, new similarity criteria have been introduced. the results of the work have been tested based on precision and auc criteria on the data set and show the superiority of the proposed method that uses a combination of graph structure information like path, neighbor and node degrees over the criteria that use only the path or the neighbor.