دسته‌بندی و تشخیص رویداد با استفاده از پیش‌بینی پیوند در شبکه‌های ناهمگن

چکیده:

امروزه نوع خاصی از شبکه‌های اجتماعی با عنوان شبکه‌های مبتنی بر رویداد محبوبیت زیادی پیدا کرده‌ است. در این شبکه‌ها، افراد و گروه‌ها در شبکه‌های اجتماعی به رویدادهای دنیای واقعی پیوند می‌خورند. با گسترش این شبکه‌ها، مسئله‌ تشخیص رویداد مناسب برای هر کاربر قابل تعریف است. با استفاده از روش‌های پیش‌بینی پیوند راه‌حل‌هایی برای این مسئله قابل ارائه است؛ پیش‌بینی پیوند یعنی یافتن پیوندهایی از شبکه که در آینده تشکیل خواهند شد. در این راستا باید داده‌های شبکه‌های اجتماعی مبتنی بر رویداد در قالب شبکه نمایش ‌داده شوند. از آن‌جایی که در این شبکه‌ها عناصر و پیوندهای متفاوت و متنوعی وجود دارد، از شبکه‌های ناهمگن برای نمایش استفاده می‌شود. در این پایان‌نامه، برای حل مسئله تشخیص رویداد در شبکه‌های ناهمگن، در حوزه پیش‌بینی پیوند روشی پیشنهاد شده است. این روش‌، بر قدم زدن تصادفی با شروع مجدد استوار است اما بر اساس ویژگی‌های شبکه‌های مبتنی بر رویداد، تغییراتی در نحوه اجرای قدم‌زنی آن ایجاد شده است. تغییرات به صورت تمایل‌هایی در قدم زدن است: تمایل به پیوند‌های با وزن بیشتر، تمایل به رأس‌هایی با درجه کمتر، تمایل به پیوند‌های جدید‌تر و تمایل به رأس‌های غیر هم نوع. همچنین در روش‌ پیشنهادی، ویژگی‌های محتوایی موجود در شبکه نیز در نظر گرفته شده است. برای افزایش سرعت اجرا و مقیاس‌پذیر شدن روش‌ پیشنهادی، به جای استفاده از ضرب ماتریس‌ها در قدم زدن تصادفی، از شبیه‌سازی قدم زدن استفاده شده است. از سوی دیگر می‌توان گفت که این پایان‌نامه بر پیش‌بینی پیوند در شبکه‌های ناهمگن استوار است. با این نگاه، در این پایان‌نامه مسئله‌ دسته‌بندی نیز حل شده است: عناصر و برچسب‌ها در قالب شبکه ناهمگن نمایش داده شده و سپس، مسئله دسته‌بندی به صورت پیش‌بینی پیوند در این شبکه تعریف و حل می‌شود. برای حل این مسئله، شبکه ناهمگن را وزن‌دار کرده و از معیار شباهت وزن‌دار استفاده می‌شود. نتایج آزمایشات نشان داد در مسئله تشخیص رویداد، تمایل به پیوند‌های جدیدتر و تمایل به رأس‌های غیر هم نوع باعث بهبود نتیجه قدم زدن تصادفی می‌شود، ولی تمایل به رئوس با درجه کمتر تأثیری در بهبود نتیجه ندارد. همچنین در نظر گرفتن ویژگی‌های محتوایی به عنوان رأس در گراف، باعث بهبود نتیجه شد. همچنین در مسئله دسته‌بندی، الگوریتم پیشنهادی نسبت به الگوریتم‌های دسته‌بندی مبتنی بر پیش‌بینی پیوند موجود، باعث بهبود کمی در نتایج شد.