یک چارچوب برای پیش بینی پیوند با استفاده از نشاننده و شبکه عصبی هم آمیختی

Abstract

امروزه استفاده از نشانندە گره های شبکه، کاربردهای بســیاری را در تحلیل شــبکه های پیچیده پیدا کرده است؛ نشانندۀ یک گره، برداری است که این گره را در یک فضای جدید بــرداری نمایش میدهد. یافتن یــک نمایش برداری مناســب برای گره های شــبکه را یادگیری بازنمایی شبکه مینامند که در آن گرههای شــبیه در شبکه باید چنان در فضای برداری نمایش داده شــوند کــه در آن فضا نیز به هم شبیه باشــند و فاصله میان نشانندۀ گره های شبیه در فضای جدید کم باشد. Node2vec یکی از روشهای رایج برای یافتن نشــانندۀ گره های شبکه است. با فرض داشتن نشــانندهها، مسئله تحلیل در شــبکههای پیچیده میتواند تبدیل به مســئلۀ دیگری در فضای برداری شــود. در این مقاله، یک چارچوب ســه مرحلهای، بــا نام LP-DenseNet پیشــنهاد میشــود که در آن مســئله پیشبینی پیوند در شــبکههای پیچیده با مســئله ردهبندی در فضای برداری جابجا میشــود. در مرحله اول، نشــانندۀ گرهها با روش Node2vec بهدســت می ِ آید. در مرحلۀ دوم LP-DenseNet ، با اســتفاده از نشــانندهها، به ازای هر گــره یک ماتریس ســاخته میشــود تا در مرحله بعدی مورد استفاده قرار گیرد. در مرحله آخر LP-DenseNet ،ماتریس مرتبط با دو گره متفاوت به یک شــبکه عصبی داده میشــود تا مسئله ردهبنــدی را حــل کند؛ آیا میان این دو گــره پیوند وجود دارد )رده اول( ــا وجــود نــدارد )رده دوم(؟ همچنین در این مقاله، در کنار مقایســه روشهــای متفاوت یادگیری بازنمایی شبکه با Node2vec ،نسخه جدیدی از این روش نیز یشنهاد شده اســت که کارآیی بالاتری در حل مسئله پیشبینی پیوند دارد.