مدل lptd-pso: پیش‌بینی اعتماد و عدم اعتماد در شبکه‌های اجتماعی علامت دار با ترکیب انتخاب ویژگی مبتنی بر pso و سیستم‌ استنتاج فازی

پیش‌بینی پیوند در شبکه‌های اجتماعی علامت‌دار نقش مهمی در شناسایی روابط بالقوه میان کاربران در آینده ایفا می‌کند. در این نوع شبکه‌ها، کاربران با روابط اعتماد و عدم‌اعتماد به یکدیگر متصل‌اند و این روابط می‌توانند به‌طور قابل توجهی بر سبک زندگی، رفتار و تصمیم‌گیری افراد اثر بگذارند. با وجود مطالعات گسترده در این حوزه، بسیاری از روش‌های موجود در مواجهه با چالش‌هایی مانند ابهام در اعتماد و عدم‌اعتماد، کمبود داده و همچنین زمانی که ویژگی‌های توصیفی کاربران در مدل لحاظ می‌شود، عملکرد مطلوبی ندارند. در این پژوهش، مدل محاسباتی فازی lptd-pso معرفی می‌شود که به‌طور ویژه ویژگی‌های توصیفی کاربران را با یک سازوکار انتخاب ویژگی مبتنی بر الگوریتم بهینه‌سازی ازدحام ذرات ترکیب می‌کند تا اعتماد و عدم‌اعتماد را پیش‌بینی کرده و پیوندهای از دست رفته را شناسایی کند. این چارچوب پیشنهادی از یک‌سو کارآمد است و از سوی دیگر چالش‌های مربوط به ابهام و پراکندگی داده در شبکه‌های اجتماعی علامت‌دار را برطرف می‌کند. در این روش، الگوریتم بهینه سازی ازدحام ذرات برای استخراج ویژگی‌های معنادار و مرتبط با اعتماد و عدم‌اعتماد از میان ویژگی‌های توصیفی کاربران به کار گرفته شده است. برای ارزیابی عملکرد مدل، آزمایش‌های گسترده‌ای روی مجموعه‌داده‌های epinions و slashdot انجام شد و معیارهای دقت، صحت، f-measure، میانگین خطای مطلق و ریشه میانگین مربعات خطا مورد بررسی قرار گرفت. نتایج نشان داد که در مدل پیشنهادی، دقت پیش‌بینی اعتماد در مجموعه‌داده epinions برابر با 0.938 و در slashdot برابر با 0.945 است. همچنین دقت پیش‌بینی عدم‌اعتماد برای epinions مقدار 0.922 و برای slashdot مقدار 0.94 را نشان می‌دهد. این یافته‌ها بیانگر آن است که مدل lptd-pso عملکرد بهتری نسبت به روش‌های موجود داشته، پیش‌بینی‌های دقیق و قابل اعتمادی ارائه می‌دهد و به شکل موثری مشکل پراکندگی داده را در شبکه‌های اجتماعی علامت‌دار کاهش می‌دهد.

lptd-pso model: predicting trust and distrust in signed social networks using pso-based feature selection and a fuzzy inference system

link prediction in signed social networks plays a crucial role in identifying potential future relationships among users. in such networks, individuals are connected through trust and distrust relations, which can significantly influence their lifestyle, behavior, and decision-making. despite extensive research in this area, many existing methods fail to achieve satisfactory performance when facing challenges such as ambiguity in trust and distrust, data sparsity, and the incorporation of users’ descriptive features into predictive models. in this study, we propose a fuzzy computational model, lptd-pso, which integrates users’ descriptive features with a feature selection mechanism based on particle swarm optimization (pso) to predict trust and distrust links and to identify missing connections. this framework is both efficient and effective in addressing ambiguity and data sparsity issues commonly encountered in signed social networks. the pso algorithm is employed to extract meaningful features associated with trust and distrust from the available user attributes. to evaluate the performance of the proposed model, extensive experiments were conducted on the epinions and slashdot datasets, using accuracy, precision, f-measure, mean absolute error (mae), and root mean square error (rmse) as evaluation metrics. the results indicate that the proposed model achieves a trust-prediction accuracy of 0.938 on epinions and 0.945 on slashdot. additionally, the accuracy for distrust prediction reaches 0.922 on epinions and 0.94 on slashdot. these findings demonstrate that the lptd-pso model outperforms existing approaches, provides more accurate and reliable predictions, and effectively mitigates the data sparsity problem in signed social networks.