بهبود الگوریتم node2vec برای پیش بینی لینک مبتنی بر شبکه عصبی کانولوشنی

با گسترش روز افزون شبکه‌های ارتباطی و اطلاعاتی نیاز به پیش‌بینی ارتباط و لینک مورد توجه متخصصان علوم داده قرار گرفته است. در سالهای اخیر الگوریتم‌های پیش‌بینی لینک فراوانی براساس یادگیری بازنمایی شبکه ارائه شده‌اند. node2vec از مهمترین الگوریتم‌های یادگیری بازنمایی شبکه است و برای حل مساله پیش‌بینی لینک نیز استفاده شده است. در node2vec استاندارد توجه کمتری به ویژگی‌های ساختاری شده است. در این مقاله، تعمیمی از node2vec ارائه می‌شود که ویژگی‌های ساختاری نقش پررنگی در آن دارد. همچنین در این مقاله، برای اجرای یک الگوریتم مبتنی بر node2vec یک مدل شبکه کانولوشن متراکم عمیق با نام densenet-lp ارائه کرده‌ایم. از آنجایی‌که با استفاده از densenet-lp می‌توان الگوریتم‌های مختلف پیش‌بینی لینک را اجرا و مقایسه کرد، بنابراین الگوریتم پیش‌بینی لینک مبتنی بر node2vec استاندارد و رویکرد پیشنهادی با هم مقایسه شده است. طبق نتایج این مقایسه، پیش‌بینی لینک با رویکرد پیشنهادی (یعنی node2vec تعمیم‌یافته) به accuracy و auc بهتری نسبت به node2vec استاندارد دست می‌یابد.