استنتاج اعتماد در شبكه‌هاي اجتماعي با تركيب شبكه عصبي و الگوريتم ژنتيك

Trust Inference in Social Networks by Combination of Neural Network and Genetic Algorithm

مسأله استنتاج اعتماد در يك شبكه‌ اجتماعي، پيش‌بيني ميزان اعتمادي است كه يك كاربر مي‌تواند نسبت به كاربري كه در شبكه‌ اعتماد، به طور مستقيم به وي متصل نيست، داشته باشد. هدف اين پژوهش ارائه يك روش استنتاج اعتماد در شبكه اعتماد است. روش‌هاي قبلي عمدتا محدود به يك نوع شبكه اعتماد هستند و براي شبكه‌هاي اعتماد مختلف با مقادير متفاوت اعتماد قابل اجرا نيستند. در اين پژوهش از محاسبات نرم و مدل شبكه عصبي براي پيش‌بيني مقادير اعتماد استفاده شده و براي آموزش شبكه عصبي از الگوريتم ژنتيك استفاده شده است. يكي از مهم‌ترين مزاياي روش پيشنهادي اين است كه برخلاف روش‌هاي قبلي، محدود به يك نوع شبكه اعتماد نيست و براي شبكه‌هاي اعتماد مختلف با مقادير متفاوت اعتماد نيز قابل اجرا است. در روش پيشنهادي ابتدا از روي شبكه اعتماد، چهار ويژگي پيشنهادي استخراج مي‌شود و سپس از روي اين ويژگي‌ها و با استفاده از الگوريتم ژنتيك مدل شبكه عصبي آموزش داده مي‌شود. روش پيشنهادي بر روي شبكه اعتماد استاندارد اجرا شده و با ساير روش‌هاي مشابه مورد مقايسه قرار گرفته است. نتايج حاكي از آن است كه روش پيشنهادي قادر به استنتاج اعتماد با دقت بالاتري نسبت به روش‌هاي قبلي است.

The trust inference problem in a social network is defined as anticipating the trust level that a user can have to another user who is not directly connected to him on the trust network. This research aims to propose a method for trust inference in a trust network. Previous research studies are mainly limited to one type of trust network, and they cannot be used for different trust networks with different values of trust. In this research, soft computing and neural network model are used to predict trust values. To train the neural network system, genetic algorithm is exploited. One of the main advantages of the proposed method is that, unlike previous methods, it is not limited to one type of trust network, and it can also be used for trust networks with different values of trust. In the proposed method, at first four proposed features are extracted from the trust network, and afterward, the proposed neural network system is trained using these features as well as the genetic algorithm. The proposed method is implemented on the standard trust network and is compared with other similar methods. Experimental results indicate that the proposed method is able to produce more accurate results in comparison with previous methods.