ارائه یک معیار شباهت جدید برای پیش بینی پیوند در شبکه های اجتماعی براساس ساختارهای محلی

پیش بینی پیوند یک مسئله اساسی در تجزیه و تحلیل شبکه اجتماعی است. تکنیک های مختلفی برای پیش بینی پیوند وجود دارد که اقدامات مشابهی را برای برآورد مجاورت راس ها در شبکه اعمال می کند. شبکه های مجتمع مانند شبکه های اجتماعی از واحد های ساختاری به نام نقاط شبکه تشکیل می شوند. در این مطالعه، یک معیار تشابه تجدید پیشنهاد شده که از این واحدهای سازنده به عنوان منبع تخمین شباهت استفاده می کند. در این تحقیق یک مدل پیشبینی لینک بر اساس ساختار محلی گراف در شبکه های اجتماعی خودمحور ارائه شده است. در الگوریتم پیشنهادی چندین ویژگی از ساختار محلی گراف استخراج شده و به هر ویژگی یک ضریب تاثیر تخصیص داده می شود. سپس با استفاده از تکنیک خوشه بندی k-means و تعیین گروه های کاربری مشابه فضای جستجوی مسئله را کاهش داده و یک معیار شباهت ترکیبی جدید برای توصیه کاربران با استفاده از ویژگی های استخراجی محاسبه می شود. در نهایت بر مبنای بالاترین نمره شباهت کاربران پیشنهاد داده می شوند. نتایج ارزیابی آزمایش ها نشان می دهد که عملکرد روش پیشنهادی در سناریو مجموعه داده شبکه اجتماعی فیسبوک، مقیاس پذیر و از برتری 0.78% نسبت به مدل MetaPath برخوردار است.

ارائه یک معیار شباهت جدید برای پیش بینی پیوند در شبکه های اجتماعی براساس ساختارهای محلی Keywords:

معیار شباهت , پیش بینی پیوند , شبکه اجتماعی , ساختارهای محلی