استفاده از مدل های طبقه بندی برای بهینه سازی پیش بینی لینک در شبکه های اجتماعی خودمحور

سیستم های پیشنهاد دهنده اجتماعی، نسل جدیدی از این سیستم ها می باشند که از شبکه اجتماعی به عنوان بستر مدل سازی کاربر استفاده می کنند تا با استفاده از حجم غنی داده های تعاملی، برخی از چالش ها را مرتفع نمایند. شبکه های آنلاین اجتماعی، دوستان جدید را به کاربران ثبت شده بر مبنای خصوصیات گراف محلی پیشنهاد می دهند. هدف اصلی مسئله پیش بینی لینک در شبکه های اجتماعی، پیشنهاد لیستی از کاربران به یک کاربر خاص می باشد که احتمالا در آینده با آنها ارتباط برقرار خواهد کرد. در این تحقیق یک روش پیش بینی لینک بر اساس خصوصیات مدل های طبقه بندی ارائه شده است. در اینجا مسئله پیش بینی لینک به یک مسئله طبقه بندی با دو کلاس مثبت و منفی تبدیل شده، جائیکه کلاس مثبت نشان دهنده ارتباط و کلاس منفی نشان دهنده عدم ارتباط دو کاربر است. سه طبقه بند کلاسیک dt، nn و nb برای کار طبقه بندی استفاده شده است. برای ایجاد مجموعه داده از ویژگی های اعتبار، خوش بینی، تعداد همسایه های مشترک، تعداد مسیر با طول های متفاوت، تعداد توئییت های مشترک، تعداد مسیرهای خود محور داخلی و خارجی بهره گرفته می شود. اگر چه شبکه های خودمحور همپوشانی زیادی در حلقه ها ندارند، اما آزمایش ها نشان می دهد که در نظر گرفتن اطلاعات مسیرهای خودمحور به طور قابل توجهی عملکرد پیش بینی را بهبود می بخشد. طبقه بندی dt بهترین عملکرد را با دقت متوسط 99.85% به ثبت رسانیده است.

use of classification models for optimize link prediction in the ego-social networks

social propositional systems are a new generation of systems that use the social network as a user modeling platform to maximize some challenges by using rich interactive data volumes. to make social networking sites offer new friends to registered users based on local graph features. the main purpose of the link prediction problem on social networks is to suggest a list of users to a particular user that they will probably be communicating in the future. in this research, a prediction method for the link is presented based on the characteristics of classification models. here, the prediction problem of the link is transformed into a classifying problem with two positive and negative classes, where the positive class represents the relationship and the negative class indicates that the two users are not communicating. three classical classes dt, nn and nb are used for classification work. to create the dataset, the features of credibility, optimism, number of neighbors, the number of paths of different lengths, the number of shared tweets, the number of internal and external axes are used. although self-centered grids do not have much overlap in the rings, experiments show that the consideration of self-directed pathways significantly improves predictive performance. the dt classification has recorded the best performance with an average accuracy of 99.85%.