پیش بینی پیوند در شبکه های اجتماعی پویا با استفاده از یادگیری عمیق

درک پویایی شبکه های اجتماع ی که سیر تکاملی آن را هدایت می کند، به دلیل در اختیار داشتن تعداد زیادی از پارامترهای متغیر به عنوان یک مساله پیچیده مطرح است . اما مساله نسبتا ساده تر درک ارتباط بین دو گره خاص در این نوع شبکه ها است .معمولا مسائل متغیر با زمان دارای ساختارهای پیچیده ای هستند که به صورت شبکه های پویا نمایش داده شدهاند و محتویات و روابط در زمان ظاهر و حذف می شوند. مساله استنتاج موثر اتصال پویا به علت ماهیت پویا شبکه ها ی بزرگ به شدت چالش برانگیز است ؛ به ویژه زمانی که دارای الگوهای انتقال غیرخطی و اتصالات پراکنده باشند. برای این منظور، در این پژوهش از یک شبکه باور عمیق (DBN) به عنوان روشی برای بازنمایی عمیق ویژگی ها ی گره بهره گرفتیم . همچنین جهت پیش بینی لینک ها از ماشین بولتزمن محدود (RBM) استفاده کردیم . مدل پیشنهادی (RBM-DBN) ضمن بهرهبرداری از مزایای کاهش ابعاد و پیش بینی قادر به ارائه پیش بینی های دقیق تری است . برای ارزیابی روش پیشنهادی، عملکرد آن را برروی دو مجموعه داده واقعی و در دسترس عموم در وب، FaceBook و Epinions، سنجیدیم . نتایج تجربی نشان داد که مدل پیشنهادی در مقایسه با مدلهای پایه از دقت و بازخوانی بهتری برخوردار است که آن را به عنوان یک مدل مطلوب برای پیش بینی لینک در شبکه های اجتماعی مطرح می سازد.

کلیدواژه ها:

پیش بینی پیوند ، شبکه های اجتماعی پویا ، یادگیری عمیق ، شبکه باور عمیق ، ماشین بولتزمن محدود