پیش بینی ارتباط در شبکه های اجتماعی بر اساس اهمیت همسایه های مشترک و با کمک پردازش MapRduce

شبکه های اجتماعی شبکه های دینامیک هستند که مدام در حال افزایش اعضا و ارتباطات و لینکهای بین آنها هستند و این لینکها ممکن است به خاطر فرآیند ایجاد ناقص و یا به خاطر این که این هنوز در این شبکه ها انعکاس نیافته اند از دست برود در رابطه با این لینکها و ارتباطات مساله پیس بینی لینک اهمیت پیدا می کند در این مقاله قصد داریم تا با بررسی روش های پیش بینی ارتباط و مقایسه و بیان نقاط ضعف و قدرت آن ها روشی جدید برای پیش بینی ارتباط با هدف بهبود دقت پیش بینی را ارائه نماییم و با توجه به میزان تاثیر ویژگی های مختلف کاربران در پیش بینی ارتباط در شبکه های اجتماعی و افزایش فزاینده ی کاربران شبکه های اجتماعی حجم داده های تولید شده توسط آنان بپردازیم انجام چنین تحلیلی با روش های معمول به سادگی امکان پذیر نبوده و باید از تکنیک های جدیدی مثل تحلیل کلان داده استفاده نمود از آنجا که همه ی معیارهای شباهت بین دو کاربر در شبکه به یک میزان مساوی تاثیرگذار نیستند در پی آن هستیم تا از هر همسایه ی مشترک بین دو کاربر به میزان وزنی که دارد استفاده کنیم

Keywords:

مرکزیت درجه , مرکزیت نزدیکی , چارچوب پردازشی MapReduce