عنوان پایان‌نامه
پیش بینی ارتباط در شبکه های ناهمگن
- رشته تحصیلی
- مهندسی فناوری اطلاعات - سامانه های شبکه ای
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74580
- تاریخ دفاع
- ۰۲ اسفند ۱۳۹۴
- دانشجو
- سعیده رضاوندی شعاعی
- استاد راهنما
- هادی زارع
- چکیده
- استفاده روزافزون کاربران از شبکه¬های اجتماعی و دسترسی آسان به حجم عظیم اطلاعات و داده‌های موجود در بستر این شبکه‌ها، نیاز روزافزون کاوش شبکه‌های اجتماعی به منظور بهره‌گیری در کاربردهای تجاری، فرهنگی و سیاسی را مورد تأکید و اهمیت قرار می‌دهد. یکی از بحث‌های مهم و اساسی در شبکه‌های اجتماعی چگونگی تحول و شکل‌گیری این شبکه‌ها در طول زمان می‌باشد. در حقیقت شناخت ماهیت شبکه‌های اجتماعی و نحوه ارتباط افراد در آن‌ها، وابسته به پیش‌بینی نحوه ارتباط آن‌ها در یک گام زمانی بعدی است. علاوه بر کاربرد متداول پیش‌بینی ارتباط برای گام بعدی زمانی، پیش‌بینی ارتباطات پنهان در شبکه‌ها، و چگونگی استحکام شبکه‌ها از جمله کاربردهای مهمی است که می‌توان آن‌ها را در قالب کلی پیش‌بینی ارتباط مورد تجزیه و تحلیل قرار داد. امروزه با افزایش شبکه¬های اجتماعی مختلف، این امکان فراهم شده است که هر شخص بتواند به طور همزمان در چندین شبکه اجتماعی مختلف فعالیت داشته باشد. از طرف دیگر ممکن است که افراد در یک شبکه اجتماعی از نظر نحوه همکاری و ارتباط، دارای تعامل‌های مختلفی با یکدیگر باشند. همکاری یا دوستی افراد در زمینه¬های مختلف باعث به وجود آمدن انگیزه مطالعه شبکه¬های اجتماعی به صورت ناهمگن شده است. بسیاری از روش¬های پیشین پیش‌بینی ارتباط، بر اساس فرض همگنی شبکه‌های اجتماعی بنا نهاده شده‌اند، که برای پیش¬بینی ارتباط در شبکه¬های ناهمگن دارای دقت کافی نخواهند بود. در این پایان‌نامه بر اساس فرض ناهمگنی و چند لایه بودن شبکه-های اجتماعی، به پیش‌بینی ارتباط پرداخته شده است. بدین منظور ابتدا یک معیار شباهت نوین برای شبکه¬های ناهمگن پیشنهاد داده می¬شود. معیار شباهت تعریف شده قابلیت تعمیم روی هر نوع شبکه¬ای با تعداد لایه‌های مختلف را دارد. بر مبنای این تعریف نوین از شباهت، الگوریتم پیش‌بینی ارتباط در شبکه‌های ناهمگن معرفی می‌شود، به نحوی که شیوه تعامل در لایه¬های دیگر شبکه‌های اجتماعی را مورد نظر قرار می‌دهد. علاوه بر آن، ما در این پایان‌نامه مساله پیش‌بینی ارتباط را از منظر روش¬های یادگیری باناظر، مورد تحلیل قرار داده‌ایم. از آنجا که به طور معمول با مشکل داده‌های نامتوازن در شبکه‌های اجتماعی مواجه هستیم، از دیدگاه یادگیری نامتوازن به همراه روش¬های یادگیری هزینه¬محور نیز، به مساله پیش‌بینی ارتباط پرداخته شده
- Abstract
- Nowadays the network science has been attracted many researchers from a wide variety of different fields and many problems in engineering domains are modelled through social networks measures. One of the most important problems in social networks is the prediction of evolution and structural behavior of the networks that is known as link prediction problem in the related literature. Nowadays people use multiple and different social networks simultaneously and it causes to demonstrate a new domain of research known as heterogonous social networks. There exist a few works on link prediction problem on heterogeneous networks. In this thesis, first a novel similarity measure for users in heterogeneous networks are defined. Then a novel link prediction algorithm is described through a supervised learning approach which is consisted by the generated features from the introduced similarity measures. We employ the standard evaluation criteria for verification of the proposed approach. The comparison of the proposed algorithm to the other well-known earlier works showed that our proposed method has better performance than the other methods based on testing on several network datasets.
