ارائه روشی برای پیش بینی لینک در شبکه های اجتماعی با استفاده از روش های یادگیری عمیق

سال انتشار: 1399
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 550

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELCM03_080

تاریخ نمایه سازی: 18 آذر 1399

چکیده مقاله:

شبکه های اجتماعی شبکه هایی دینامیک هستند که مدام در حال افزایش اعضا و ارتباطات و لینک های بین آنها هستند و متاسفانه این لینک ها ممکن است به خاطر فرآیند ایجاد ناقص و یا به خاطر این که این هنوز در این شبکه ها انعکاس نیافته اند، از دست برود. در رابطه با این لینک ها و ارتباطات مساله پیش بینی لینک که یک امر مهم برای تحلیل شبکه های اجتماعی است، اهمیت پیدا می کند .این مساله به معنی پیش بینی احتمال برقراری یک ارتباط بین دو رأس است ، با دانستن این مساله که در حال حاضر ارتباطی بین این دو رأس وجود ندارد. سه رویکرد برای انجام پیش بینی لینک وجود دارد: اولین رویکرد مدل های سنتی است که مجموعه ای از ویژگی ها را برای آموزش یک مدل دسته بندی باینری استخراج می کند. دومی رویکردهای احتمالاتی است که احتمال الحاق موجودیت ها در یک شبکه اجتماعی را با استفاده از مدل های گرافیکی بیزین مدل می کند و سومین رویکرد ،رویکردهای جبرخطی-آماری است. برای بهبود پیش بینی دسته بندی می توان چهار راهکار ارایه داد: استخراج ویژگی ، گسترش ساختاری ،یادگیری محلی و گسترش داده ها. در این تحقیق با استفاده از استخراج ویژگی ها که یکی از مراحل پیش پردازش داده ها می باشد ، به بهبود دسته بندی ها می پردازیم. در روش ارائه شده از الگوریتم های متاهیورستیک مبتنی بر جمعیت از قبیل شبکه عصبی و الگوریتم ژنتیک برای جستجوی زیرمجموعه ویژگی ها استفاده کردیم و برای بهبود پیش بینی ها از داده های شبکه ی اجتماعی Facebook استفاده می کنیم .

نویسندگان

سحر سیاری فرد

ارشد مهندسی کامپیوتر گرایش نرم افزار دانشگاه تهران پردیس بین الملل کیش