پیش بینی پیوند در شبکه های اجتماعی پویا با استفاده از یادگیری عمیق

درک پویایی شبکه‌های اجتماعی که سیر تکاملی آن را هدایت می‌کند، به دلیل در اختیار داشتن تعداد زیادی از پارامترهای متغیر به عنوان یک مساله پیچیده مطرح است. اما مساله نسبتا ً ساده‌تر درک ارتباط بین دو گره خاص در این نوع شبکه‌ها است. معمولاً مسائل متغیر با زمان دارای ساختارهای پیچیده‌ای هستند که به صورت شبکه‌های پویا نمایش داده شده‌اند و محتویات و روابط در زمان ظاهر و حذف می‌شوند. مساله استنتاج موثر اتصال پویا به علت ماهیت پویا شبکه‌های بزرگ به شدت چالش برانگیز است؛ به ویژه زمانی‌که دارای الگوهای انتقال غیرخطی و اتصالات پراکنده باشند. برای این منظور، در این پژوهش از یک شبکه باور عمیق (dbn) به عنوان روشی برای بازنمایی عمیق ویژگی‌های گره بهره گرفتیم. همچنین جهت پیش‌بینی لینک‌ها از ماشین بولتزمن محدود (rbm) استفاده کردیم. مدل پیشنهادی (rbm-dbn) ضمن بهره‌برداری از مزایای کاهش ابعاد و پیش‌بینی قادر به ارائه پیش‌بینی‌های دقیق‌تری است. برای ارزیابی روش پیشنهادی، عملکرد آن را برروی دو مجموعه داده واقعی و در دسترس عموم در وب، facebook و epinions، سنجیدیم. نتایج تجربی نشان داد که مدل پیشنهادی در مقایسه با مدل‌های پایه از دقت و بازخوانی بهتری برخوردار است که آن را به عنوان یک مدل مطلوب برای پیش‌بینی لینک در شبکه‌های اجتماعی مطرح می‌سازد.