روشي نوين براي پيش بيني ارتباط در شبكه هاي اجتماعي ناهمگن

A Novel Link Prediction Approach on Social Networks

با گسترش روزافزون شبكه‌هاي اجتماعي، علوم شبكه مورد توجه بسياري از پژوهشگران در زمينه‌هاي مختلف قرار گرفته است. علاوه بر آن بسياري از مسايل كاربردي مهندسي با استفاده از ابزار شبكه‌هاي اجتماعي مدل‌سازي شده‌اند. پيش‌بيني تغيير و تحول در ساختار شبكه‌هاي اجتماعي يكي از مسايل اساسي در تحليل شبكه‌هاي اجتماعي است كه با عنوان مسأله پيش‌بيني ارتباط در علوم شبكه شناخته مي‌شود. امروزه با گسترش استفاده از شبكه‌هاي اجتماعي، فعاليت افراد در قالب چندين شبكه با عنوان شبكه‌هاي اجتماعي ناهمگن رواج پيدا كرده است. پيش‌بيني ارتباط در شبكه‌هاي اجتماعي ناهمگن را مي‌توان بر اساس اطلاعات اضافي موجود نسبت به روش‌هاي قبلي مورد بهبود قرار داد. در رويكرد پيشنهادي اين مقاله، ابتدا يك معيار شباهت جديد براي كاربران در شبكه‌هاي ناهمگن بر اساس توسعه روش‌هاي مطرح پيشين و با در نظر گرفتن ارتباط بين لايه‌هاي مختلف معرفي مي‌شود، سپس با استفاده از رويكرد يادگيري باناظر و بهره‌گيري از ويژگي‌هاي توليدشده بر مبناي معيار شباهت معرفي‌شده، الگوريتم پيشنهادي مورد تشريح قرار مي‌گيرد. براي ارزيابي روش پيشنهادي از معيارهاي استاندارد همانند دقت و صحت بهره گرفته‌ايم. مقايسه روش پيشنهادي با روش‌هاي شناخته‌شده پيشين بر روي مجموعه داده‌هاي مختلف نشان مي‌دهد كه روش پيشنهادي ما براي پيش‌بيني ارتباط از عملكرد بهتر و مطلوب‌تري برخوردار است به طوري كه از نظر صحت تا 20 درصد موجب بهبود عملكرد شده است.

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 heterogenous social networks. There exist a few works on link prediction problem on heterogenous networks. In this paper, first a novel similarity measure for users in heterogenous networks is 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.