پیش‌بینی پیوند مبتنی بر رده‌بندی و بهبود آن با استفاده از بردار ویژگی زیرگراف

چکیده:

تجزیه و تحلیل شبکه شامل پیش‌بینی پیوند یا روابط در یک شبکه است. پیش‌بینی پیوند می‌تواند توسط یک رده‌بند انجام شود به‌طوری‌که بردار ویژگی یک جفت گره، ورودی آن باشد. خروجی رده‌بند نشان می‌دهد که آیا پیوند میان آن جفت گره پیش‌بینی می‌شود یا خیر (رده یک یا رده صفر). برای استخراج بردار ویژگی یک جفت گره می‌توان از شبکه‌های عصبی گرافی (GNN) استفاده نمود که در اینصورت روش حل مسئله پیش‌بینی پیوند مبتنی بر GNN خواهد بود. در این پایان‌نامه، دو روش مبتنی بر GNN به نام‌های GAE و SEAL به عنوان روش‌های پایه در نظر گرفته شده است. یکی از مشکلات اساسی در این روش‌ها آن است که بردار ویژگی استخراج شده توسط GNN به ازای جفت گره‌های متفاوت، می‌تواند یکسان باشد. برای رفع این مشکل، در این پایان‌نامه با استفاده از مفهوم زیرگراف روش‌های پایه بهبود داده شده و دو چارچوب جدید با نام‌های SGAE و SEAL+ پیشنهاد شده است. چارچوب‌های پیشنهادی بر اساس معیارهای مختلف ارزیابی با روش‌های پایه‌ای خود مقایسه شده‌اند که بهبود عملکرد آن‌ها را نشان می‌دهد. به طور مثال روش SGAE به طور متوسط نسبت به روش پایه GAE در معیارهای دقت، F1-Score، متوسط صحت و مساحت زیر نمودار صحت-فراخوانی، بهبود 6، 5، 4.75 و 5.175 را ایجاد کرده است و روش SEAL+ نسبت به روش پایه SEAL در معیارهای دقت، F1-Score، متوسط صحت و مساحت زیر نمودار صحت-فراخوانی، بهبود 5.25، 4.75، 4.75 و 4.65 را باعث شده است