سیستم پیش ‌بینی لینک در شبکه‌ های اجتماعی بر اساس الگوریتم فرا ابتکاری

شبکه‌های اجتماعی عمدتاً در قالب نمودارهایی با تعداد زیادی راس و یال در قالب یک ماتریس مجاورت نمایش و تحلیل می‌شوند. لبه‌ها روابط بین افراد را نشان می‌دهند و به عنوان پیوند بین رئوس عمل می‌کنند. ویژگی‌های ساختاری هر شبکه با ویژگی‌های لبه‌ها و رئوس درون آن تعیین می‌شود. در این تحقیق که بر روی انواع داده‌های شبکه‌های اجتماعی از پایگاه داده دانشگاه استنفورد انجام شد، از روش پیش پردازش با استفاده از الگوریتم استعماری رقابتی برای عملیات انتخاب ویژگی‌هایی با بالاترین شایستگی (کمترین هزینه) استفاده شد. برای ارزیابی تاثیر انتخاب ویژگی بر خروجی نهایی، آزمایش‌هایی با و بدون عملیات انتخاب ویژگی با استفاده از الگوریتم‌های مختلف که معمولاً در این زمینه استفاده می‌شوند، انجام شد. شاخص‌های معتبر مانند دقت، تشخیص، حساسیت و عمده به طور مستقل بر روی نتایج خروجی با میانگین 10 اجرای برنامه اندازه‌گیری شدند. مقایسه نتایج بین سناریوهای با و بدون انتخاب ویژگی تاثیر قابل توجهی بر همه شاخص‌های نتیجه نهایی نشان داد. بسیاری از ویژگی‌ها در مجموعه داده‌ها یا استفاده نشده بودند یا حاوی حداقل اطلاعات بودند. حذف نکردن این ویژگی‌ها نه تنها بار محاسباتی را افزایش داد، بلکه بر دقت نتایج خروجی به دلیل اجرای زمان‌بر تاثیر گذاشت.

link prediction system in social networks based on meta-heuristic algorithm

social networks are primarily represented and analyzed in the form of graphs with a large number of vertices and edges, structured as an adjacency matrix. the edges indicate relationships between individuals and act as connections between the vertices. the structural characteristics of each network are determined by the features of the edges and vertices within it. in this research, conducted on various types of social network data from the stanford university database, a preprocessing method was employed using a competitive colonial algorithm for feature selection with the highest merit (lowest cost). to evaluate the impact of feature selection on the final output, experiments were conducted both with and without feature selection operations using various algorithms commonly used in this field. valid metrics such as accuracy, precision, sensitivity, and recall were independently measured on the output results with an average of 10 program executions. the comparison of results between scenarios with and without feature selection showed a significant impact on all metrics of the final outcome. many features in the datasets were either unused or contained minimal information. not removing these features not only increased the computational burden but also affected the accuracy of the output results due to time-consuming execution.