عنوان پایان‌نامه
پیش بینی پیوند در شبکه های اجتماعی با استفاده از اطلاعات انجمن ها
- رشته تحصیلی
- مهندسی کامپیوتر- هوش مصنوعی - رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3003;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76424;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3003;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76424
- تاریخ دفاع
- ۲۴ مرداد ۱۳۹۴
- دانشجو
- هستی اکبری دیلمی
- استاد راهنما
- مسعود اسدپور
- چکیده
- تحلیل شبکه‌های اجتماعی یک رهیافت برای بررسی ساختارهای اجتماعی است. یکی از مهم‌ترین تحلیل‌هایی که در شبکه‌های اجتماعی صورت می‌گیرد، «مساله پیش بینی پیوند» است. این مساله به دنبال پاسخ این سوال است که اگر تصویر لحظه‌ی کنونی شبکه در اختیار باشد، احتمالا چه روابط جدیدی میان اعضای شبکه شکل خواهد گرفت. در این بین روش‌های مبتنی بر شباهت به دلیل سادگی و عملکرد مناسب از محبوب ترین روش‌های پیش بینی پیوند محسوب می‌شوند. هدف اصلی این پایان‌نامه، بهبود دقت روش‌های مبتنی بر شباهت پیش‌بینی پیوند با استفاده از اطلاعات انجمن‌ها است. اطلاعات مورد استفاده در این پژوهش برگرفته از ساختار گراف و مبتنی بر انجمن‌های مشترک بین دو راس در یک نمایش سلسله مراتبی است که منجر به معرفی دو معیار کمی شده است. این دو معیار به ترتیب از تعداد انجمن‌های مشترک و اندازه‌ی انجمن‌های مشترک بین دو راس بدست می‌آیند. در معیار اول هر چه تعداد انجمن‌های مشترک بین دو راس بیشتر باشد، آنگاه این دو راس با احتمال بیشتری امکان تشکیل یال خواهند داشت. در معیار دوم تاثیر اندازه‌ی انجمن‌های مشترک مورد بررسی قرار گرفته است. به این صورت که برای هر دو راس که اندازه‌ی انجمن‌های مشترک آن‌ها کوچک‌تر باشد اهمیت بیشتری در نظر گرفته خواهد شد. برای ارزیابی روش‌های ارائه شده از 5 مجموعه داده واقعی استفاده شده است. نتایج نشان می‌دهد که استفاده از تعداد انجمن‌های مشترک بین دو راس و در نظر گرفتن اندازه‌ی انجمن‌های مشترک، با برخورداری از یک پیچیدگی زمانی مناسب، در رابطه با بیشتر مجموعه داده‌ها منجر به بهبود دقت در پیش‌بینی پیوند خواهد شد. واژه‌های کلیدی: تحلیل شبکه‌های اجتماعی، پیش‌بینی پیوند، تشخیص انجمن، روش‌های مبتنی بر شباهت.
- Abstract
- Social network analysis is an approach to the study of social structures. Link prediction is one of the important fields in social networks analyses. Link prediction tries to reach an appropriate answer to this question: what kinds of links among members of a network would possibly form in future, given a snapshot of the network in current time. Similarity based methods, due to simplicity and suitable performance, are among the most popular methods of link prediction. The main purpose of this thesis is to improve the precision of similarity based link prediction methods using community information. This information is derived from the structure of the graph, namely the number of community levels that each two nodes have in common, in a hierarchical representation of communities. In this research, two new measures have been introduced which in the first measure, two nodes are more likely to have a link if they have a more number of common communities. In part two, we examined the impact of the size of common communities and raised the probability of those nodes that their common communities had small size. To evaluate the performance of the proposed methods, five datasets were used as benchmark. The results show that consideration of the number and the size of the common communities, while having a good time complexity, often improves the precision of link prediction. Keywords: Social Networks Analysis, Link Prediction, Community Detection, Similarity Based Link Prediction Methods.
