یک چارچوب برای پیش بینی پیوند با استفاده از نشاننده و شبکه عصبیهم آمیختی

امروزه استفاده از نشانندۀ گره های شبکه، کاربردهای بسیاری را در تحلیل شبکه های پیچیده پیدا کرده است؛ نشانندۀ یک گره، برداری است که این گره را در یک فضای جدید برداری نمایش میدهد. یافتن یک نمایش برداریمناسب برای گر ه های شبکه را یادگیری بازنمایی شبکه می نامند که در آن گر ه های شبیه در شبکه باید چنان در فضای برداری نمایش داده شوند که در آن فضا نیز به هم شبیه باشند و فاصله میان نشانندۀ گره های شبیه درفضای جدید کم باشد. node2vec یکی از روشهای رایج برای یافتن نشانندۀ گر ه های شبکه است. با فرض داشتن نشانند ه ها، مسئله تحلیل در شبکه های پیچیده میتواند تبدیل به مسئلۀ دیگری در فضای برداری شود. در این مقاله، یک چارچوب سه مرحل های، با نام densenet-lpپیشنهاد می شود که در آن مسئله پیش بینی پیوند در شبکه های پیچیده با مسئله رد ه بندی در فضای برداری جابجا می شود. در مرحله اول، نشانندۀ گر ه ها با روش node2vec به دست می آید. در مرحلۀ دوم densenet-lp، با استفاده از نشانند ه ها، به ازای هر گره یک ماتریسساخته می شود تا در مرحله بعدی مورد استفاده قرار گیرد. در مرحله آخر densenet-lp ، ماتریس مرتبط با دو گره متفاوت به یک شبکه عصبی داده می شود تا مسئله رد ه بندی را حل کند؛ آیا میان این دو گره پیوند وجود دارد (رده اول) یا وجود ندارد (رده دوم)؟ همچنین در این مقاله، در کنار مقایسه رو ش های متفاوت یادگیری بازنمایی شبکه با node2vec ، نسخه جدیدی از این روش نیز پیشنهاد شده است که کارآیی بالاتری در حل مسئلهپیش بینی پیوند دارد.