پیش‌بینی اعتماد و عدم اعتماد با ترکیب شبکه عصبی کانولوشن و سیستم‌ فازی در شبکه‌های اجتماعی علامت دار

پیش‌بینی پیوند در شبکه‌های اجتماعی علامت­دار برای کشف روابط بالقوه در آینده بین کاربران بسیار مهم می­باشد. این شبکه‌ها شامل کاربرانی هستند که از طریق روابط اعتماد و عدم‌اعتماد به هم متصل شده‌اند و به طور قابل توجهی بر سبک زندگی، تصمیم‌گیری و رفتار افراد تاثیر می‌گذارند. با وجود تحقیقات گسترده در زمینه پیش‌بینی پیوند، روش‌های موجود اغلب در پرداختن موثر به چالش‌های مبهم در اعتماد، عدم‌اعتماد و کمبود داده‌ها، به ویژه هنگام گنجاندن ویژگی‌های توصیفی کاربران، شکست می‌خورند. این مطالعه یک مدل محاسباتی فازی به نام lptd-cnn را پیشنهاد می‌کند که به طور منحصر به فرد ویژگی‌های توصیفی کاربران را با انتخاب ویژگی مبتنی بر شبکه عصبی کانولوشن برای پیش‌بینی اعتماد و عدم‌اعتماد ترکیب می‌کند تا پیوندهای از دست رفته را کشف کند. چارچوب پیشنهادی هم بسیار کارآمد است و هم به چالش‌های ابهام و پراکندگی داده­ها در شبکه‌های اجتماعی علامت­دار می‌پردازد. این مدل با اولویت‌بندی کاربران با تاثیر بالا و ارزیابی تاثیر مستقیم و غیرمستقیم آنها بر رتبه‌بندی‌ها، کارایی پیش‌بینی را افزایش می‌دهد. یک شبکه عصبی کانولوشن برای استخراج ویژگی‌های معنادار از ویژگی‌های توصیفی کاربران مربوط به اعتماد و عدم‌اعتماد به کار گرفته می­شود. آزمایش‌های جامعی بر روی مجموعه داده‌های epinions و slashdot انجام شد تا عملکرد مدل از نظر دقت، صحت، ّf-measure، خطای مطلق میانگین و ریشه میانگین مربعات خطا ارزیابی شود. در روش پیشنهادی، دقت پیش‌بینی اعتماد برای epinions برابر با 0.938 و برای slashdot برابر با 0.967 است، در حالی که دقت پیش‌بینی عدم‌اعتماد برای epinions برابر با 0.933 و برای slashdot برابر با 0.977 است. این نتایج نشان می‌دهد که روش lptd-cnn از رویکردهای موجود بهتر عمل می‌کند و پیش‌بینی‌های قوی و قابل اعتمادی ارائه می‌دهد و در عین حال به طور موثر مشکل پراکندگی در شبکه‌های اجتماعی علامت­دار را کاهش می‌دهد.