ابوالفضل شریفی - دانشجوی کارشناسی ارشد، مهندسی نرم افزار، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران
حمید مغانلو - دانشجوی کارشناسی ارشد، مهندسی نرم افزار، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران
فرشته زندی - دانشجوی کارشناسی ارشد، مهندسی نرم افزار، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران
مهدی وحیدی پور - استادیار، گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران.

امروزه استفاده از نشاننده گره های شبکه، کاربردهای بسیاری را در تحلیل شبکه های پیچیده پیدا کرده است؛ نشاننده یک گره، برداری است که این گره را در یک فضای جدید برداری نمایش می دهد. یافتن یک نمایش برداری مناسب برای گره های شبکه را یادگیری بازنمایی شبکه می نامند که در آن گره های شبیه در شبکه باید چنان در فضای برداری نمایش داده شوند که در آن فضا نیز به هم شبیه باشند و فاصله میان نشاننده گره های شبیه در فضای جدید کم باشد. Node۲vec یکی از روش های رایج برای یافتن نشاننده گره های شبکه است. با فرض داشتن نشاننده ها، مسئله تحلیل در شبکه های پیچیده می تواند تبدیل به مسئله دیگری در فضای برداری شود. در این مقاله، یک چارچوب سه مرحله ای، با نام DenseNet-LP پیشنهاد می شود که در آن مسئله پیش بینی پیوند در شبکه های پیچیده با مسئله رده بندی در فضای برداری جابجا می شود. در مرحله اول، نشاننده گره ها با روش Node۲vec به دست می آید. در مرحله دوم DenseNet-LP، با استفاده از نشاننده ها، به ازای هر گره یک ماتریس ساخته می شود تا در مرحله بعدی مورد استفاده قرار گیرد. در مرحله آخر DenseNet-LP، ماتریس مرتبط با دو گره متفاوت به یک شبکه عصبی داده می شود تا مسئله رده بندی را حل کند؛ آیا میان این دو گره پیوند وجود دارد (رده اول) یا وجود ندارد (رده دوم)؟ همچنین در این مقاله، در کنار مقایسه روش های متفاوت یادگیری بازنمایی شبکه با Node۲vec، نسخه جدیدی از این روش نیز پیشنهاد شده است که کارآیی بالاتری در حل مسئله پیش بینی پیوند دارد.

پیشبینی پیوند, یادگیری بازنمایی, نشاننده, vec۲Node استاندارد, vec۲Node تعمیم یافته