ارائه روشی بهبودیافته در شبکه های اجتماعی جهت پیش بینی پیوند در شبکه های چندلایه

تجزیه و تحلیل شبکه های مقیاس بزرگ پویا، اطلاعات مفیدی دراختیارمدیر شبکه قرارمی دهد. پیش بینی ارتباطات مفقود شده یا پیوندهای احتمالی که در آینده ممکن است وجود داشته باشند یک مساله مهم و جالب در شبکه های اجتماعی می باشد. در بسیاری از شبکه های اجتماعی واقعی، ارتباطات را در چند لایه می توان مدل‌سازی کرد. دراین مقاله، مسئله پیش بینی پیوند در شبکه های چندلایه مورد بررسی قرار گرفته است. در این مقاله، روش جدید پیش‌بینی پیوند در شبکه های مالتی‌پلکس مبتنی بر الگوریتم های مبتنی بر ساختار گراف و بدون ناظر مبتنی بر الگوریتم جستجوی گرانشی ارائه گردیده و از لایه های مختلف در شبکه مالتی پلکس، جهت افزایش دقت، صحت و عملکرد الگوریتم پیش بینی استفاده شده است. با انتخاب موثر معیارهای درون لایه ای و بین لایه ای مثل امتیاز انجمن ها و انتساب عامل ها به آن ها از محورهای معماری پیشنهادی روشی ارائه‌شده، که بر کار آیی و سرعت پاسخ موردنیاز اثر دارد. برای مقایسه کار پیشنهادی از معیار auc استفاده گردیده. واز مجموعه دادهtravian  به‌عنوان مجموعه محک استفاده شده است. auc محاسبه شده پیشنهادی 72/ 0 است. نتایج نشان می دهد که استفاده از اطلاعات انجمنی با استفاده از الگوریتم گرانشی در شبکه های چندلایه به بهبود فرآیند پیش بینی پیوند کمک می کند.

An Improved New Link Prediction Method in Social Multilplex Networks Based on the Gravitational Search Algorithm

The analysis of large scale dynamic networks provides useful information for the network administrator. This plays an important role in modern societies. The prediction of missing links or possible links in the future is an important and interesting issue on social networks that can support important applications with features such as new recommendations for users, friendship suggestions, and discovery of forged connections. Many realworld social networks display communications in multilayers (for example, several social networking platforms). In this research, the problem of link prediction in multiple networks has been     studied and a new link prediction method in multiplex networks, based on unsupervized graph structure and the gravitational search algorithms is presented. Different layers of the multiplex network have been used to increase the accuracy of the proposed method and we have presented a methodology that uses information from other layers and community information where people are associated. We have provided this          information in the form of a rating. These privileges, in a way, determine the prediction of the edges       between individuals in these types of networks. One of the criteria for comparing predictive algorithms is to calculate the AUC for these algorithms and using this criterion for comparison accompanied by a travian data set used as a benchmark, it is seen that the AUC of our method has improved 7% compared to Adamic which is a similar method. The results demonstrate that using community information and the gravitational algorithm in layered networks improves link prediction.