عنوان پایان‌نامه
پیش بینی پیوند در شبکه های وزن دار
- رشته تحصیلی
- مهندسی کامپیوتر-هوش مصنوعی- رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2946;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75041;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2946;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75041
- تاریخ دفاع
- ۰۸ شهریور ۱۳۹۴
- دانشجو
- حمید عظیمی
- استاد راهنما
- مسعود اسدپور
- چکیده
- امروزه تحلیل و بررسی شبکه‌های اجتماعی به موضوع مهمی تبدیل شده و توجه پژوهشگران رشته‌های مختلفی را برانگیخته است. در این میان یکی از مسائل مهم موجود، مسئله? پیش‌بینی پیوند است. این مسئله می‌کوشد روابطی را که هنوز در یک شبکه شناخته و یا تشکیل نشده‌اند، پیش‌بینی کند. برای حل این مسئله روش‌های بسیاری ارائه شده‌اند. یک دسته از روش‌هایی که برای حل این مسئله وجود دارد، شاخص‌های مبتنی بر شباهت ساختاری هستند که به علت سادگی و کارایی مناسب، محبوبیت زیادی در بین روش‌های پیش بینی پیوند دارند. از طرفی در بیشتر پژوهش‌های انجام شده در این زمینه، وزن پیوندها که نشان دهنده قدرت ارتباط است در نظر گرفته نشده است، در حالی که وزن ارتباطات حاوی اطلاعات مفیدی در این راستاست. همچنین می توان از اطلاعات ساختاری دیگری مانند انجمن‌های شبکه برای بهبود کارایی پیش بینی پیوند استفاده نمود. هدف اصلی این پژوهش ارائه روشی بر پایه? تشخیص انجمن برای پیش بینی پیوند در شبکه‌های وزن‌دار است. به منظور تحقق این هدف، با در نظر گرفتن این نکته که احتمال تشکیل ارتباطات درون انجمن‌ها به نسبت بیشتر است، مسئله? پیش بینی پیوند درون انجمن‌ها انجام شده‌است. راهکار پیشنهادی دو گام اساسی دارد که با توجه به استفاده یا عدم استفاده از وزن یال‌ها در هر دو گام، به چهار روش گسترش داده می‌شود. به منظور ارزیابی راهکار پیشنهادی، از شبکه‌های مصنوعی LFR استفاده شده‌است که نوعی شبکه پارامتری مقیاس آزاد است. پس از انجام آزمایش روی فضای پارامتری این شبکه‌ها، تحلیلی از کارایی چهار روش پیشنهادی در هر بخش از فضای پارامتری ارائه می‌شود و همچنین شرایطی که منجر به بهبود کارایی روش‌های پیش بینی پیوند می‌گردند بررسی می‌شوند. واژه‌های کلیدی: تحلیل شبکه‌های اجتماعی، پیش‌بینی پیوند وزن‌دار، تشخیص انجمن‌ها، شبکه‌های LFR
- Abstract
- Nowadays, analyzing social networks has become an important issue and it has attracted attentions of scientists from various fields of science. One of the most important topics here is Link Prediction: trying to predict links that either don’t exist or have not been observed yet. There are different approaches and methods toward this problem. Similarity-based methods are very popular due to their simplicity and reasonable performance. Moreover, in the majority of previous works on this problem, link weights were not taken into account, even though they can carry valuable information. Similarly, one can use other structural information about a network, such as community information, to increase the performance of link prediction. This study aims to propose a method based on community detection for link prediction in weighted networks. In brief, the proposed method predict links inside communities. It's more likely for a node to establish a connection to a member of its own community, and also potential links inside a community are much fewer than potential links outside communities. The proposed method consists of two basic steps, which depending on whether or not link weights are considered, make for four different scenarios. Therefore there are four different methods. For evaluating the performance of the proposed methods, a set of synthesis networks called LFR networks will be used which are kind of parametric scale-free networks. After performing experiments on parameter space of these networks, we will analyze performance of the proposed methods and discuss how each of these methods can improve the performance of link prediction under various circumstances. Keywords: Social Network Analysis, Weighted Link Prediction, Community Detection, LFR Networks
