استفاده از مدل های طبقه بندی برای بهینه سازی پیش بینی لینک در شبکه های اجتماعی خودمحور
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 437
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JCEJ-10-39_005
تاریخ نمایه سازی: 7 تیر 1400
Abstract:
سیستم های پیشنهاد دهنده اجتماعی، نسل جدیدی از این سیستم ها می باشند که از شبکه اجتماعی به عنوان بستر مدل سازی کاربر استفاده می کنند تا با استفاده از حجم غنی داده های تعاملی، برخی از چالش ها را مرتفع نمایند. شبکه های آنلاین اجتماعی، دوستان جدید را به کاربران ثبت شده بر مبنای خصوصیات گراف محلی پیشنهاد می دهند. هدف اصلی مسئله پیش بینی لینک در شبکه های اجتماعی، پیشنهاد لیستی از کاربران به یک کاربر خاص می باشد که احتمالا در آینده با آنها ارتباط برقرار خواهد کرد. در این تحقیق یک روش پیش بینی لینک بر اساس خصوصیات مدل های طبقه بندی ارائه شده است. در اینجا مسئله پیش بینی لینک به یک مسئله طبقه بندی با دو کلاس مثبت و منفی تبدیل شده، جائیکه کلاس مثبت نشان دهنده ارتباط و کلاس منفی نشان دهنده عدم ارتباط دو کاربر است. سه طبقه بند کلاسیک DT، NN و NB برای کار طبقه بندی استفاده شده است. برای ایجاد مجموعه داده از ویژگی های اعتبار، خوش بینی، تعداد همسایه های مشترک، تعداد مسیر با طول های متفاوت، تعداد توئییت های مشترک، تعداد مسیرهای خود محور داخلی و خارجی بهره گرفته می شود. اگر چه شبکه های خودمحور همپوشانی زیادی در حلقه ها ندارند، اما آزمایش ها نشان می دهد که در نظر گرفتن اطلاعات مسیرهای خودمحور به طور قابل توجهی عملکرد پیش بینی را بهبود می بخشد. طبقه بندی DT بهترین عملکرد را با دقت متوسط ۹۹.۸۵% به ثبت رسانیده است.
Keywords:
Authors
سهیلا نعمتی
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد بوشهر، بوشهر، ایران
مهدی صادق زاده
گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، واحد ماهشهر، دانشگاه آزاد اسلامی، ماهشهر، ایران
مازیار گنجو
گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد بوشهر، بوشهر، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :