سیستم یادگیری مبتنی بر دانش ترکیب اطلاعات زمینه‌ای (Contextual)، توپولوژی(Topological) و موقتی (Temporal) جهت پیش‌بینی پیوند بدون نظارت در شبکه‌های اجتماعی

Abstract

در شبکه های اجتماعی تعاملات و روابط افراد بر مبنای گرافی پویا رسم می‌شود. یکی از کاربردهای تحلیل شبکه‌های اجتماعی پیش‌بینی پیوندهایی است که در آینده شکل خواهد گرفت پیش‌بینی اینکه دو گره‌ی غیرمتصل در شبکه در آینده‌ا‌ی نزدیک به هم متصل می‌شوند یک تجزیه و تحلیل مهم در حوزه‌ی شبکه است. این مسئله به عنوان مسئله‌ی پیش‌بینی پیوند شناخته می‌شود. یکی از روش‌های حل این مسئله استفاده از توابع مشابهت در محاسبه‌ی میزان شباهت نودهای غیرمتصل است. این توابع از وزن یال‌های موجود در شبکه استفاده می‌کنند. برای امتیازدهی به این یال‌ها از سه دسته ویژگی استفاده می‌شود: ویژگی‌های توپولوژیکی (Topological)، زمینه‌ای (Contextual) و زمانی (Temporal). ویژگی توپولوژیکی به ساختارشبکه مرتبط است. ویژگی زمینه‌ای به اطلاعاتی مانند جنسیت، علایق مشترک و اطلاعات پروفایل گره‌ها اشاره می‌کند. ویژگی زمانی، اطلاعات زمانی را در مورد سایر ویژگی‌های توپولوژیکی و زمینه‌ای بیان می‌کند. دراین مقاله ترکیب خطی این سه ویژگی پیشنهاد شده است. هم چنین از توابع مشابهت آدامیک آدار (Adamic Adar) و همسایگی مشترک (Common Neighbors) نیز استفاده می‌شود. نتایجی که از ویژگی‌های مطرح شده بدست می‌آیند نشان دهنده این است که ترکیب این اطلاعات منجر به ارتقای روش پیش‌بینی پیوند بدون نظارت در مقایسه با سایر ضوابط وزن‌دهی می‌شود.