ارائه یک روش یادگیری باناظر ترکیبی برای پیش بینی پیوند در شبکه های اجتماعی وزندار

مسئله پیش بینی پیوند در تحلیل شبکه های اجتماعی به معنی بررسی احتمال ایجاد ارتباط بین دو کاربر، با فرض بر اینکه در حال حاضر هیچ ارتباطی بین آنها وجود ندارد، است. هر چند تا به حال مسئله پیش بینی پیوند، به صورت گسترده مورد مطالعه قرار گرفته و تحقیقات مختلفی برای حل آن ارائه شده است، لیکن مشکل چگونگی ترکیب بهینه و موثر اطلاعات به منظور توصیف ارتباطات آینده، تا حد زیادی هنوز پابرجا است. در این مقاله، با توجه به اطلاعات در دسترس از شبکه اجتماعی توئیتر، یک گراف وزندار ایجاد شده و سپس ویژگی های توپولوژیکی مختلفی از آن استخراج شده است. بر مبنای ویژگی های استخراج شده، یک پایگاه داده با دو کلاس وجود لینک و عدم وجود لینک ایجاد شده و از اینرو مسئله پیش بینی پیوند، به یک مسئله دسته بندی دو کلاسه تبدیل شده است که می توان آن را با روش های یادگیری باناظر حل کرد. در بخش طبقه بندی، از طبقه بند SVM و برای ارائه پیشنهادات نهایی، از شاخص کاتز استفاده شده است. برای اثبات کارایی روش پیشنهادی از شاخص های کاتز و پیوند دوست و همچنین الگوریتمSEM-Path برای انجام مقایسه استفاده شده است. ارزیابی ها نشان می دهد که روش پیشنهادی در مقایسه با روشهای بروز دیگر موجود در این حوزه، پیوندهای جدید را با دقت بهتری پیش بینی می کند