یک مدل پیش بینی پیوند بر اساس ترکیب الگوریتم بهینه سازی فاخته و معیارهای شباهت در شبکه های اجتماعی آنلاین چندلایه

تجزیه و تحلیل شبکه های اجتماعی آنلاین از طریق نظریه گراف برای کشف دانش جاسازی شده در این شبکه ها بسیار مهم است. مسئله پیش بینی پیوند جنبه مهمی از چنین تحلیل هایی است، به ویژه در شبکه های چندلایه که هدف شناسایی ارتباطات بالقوه بین کاربران با استفاده از اطلاعات در لایه های مختلف است. این شبکه های چندلایه از شبکه های تک لایه متعددی تشکیل شده اند که هر کدام با گره ها و پیوندهای مجزا مشخص می شوند. این مطالعه یک مدل پیش بینی پیوند جدید را که برای شبکه های اجتماعی چندلایه آنلاین، به ویژه با استفاده از داده های Twitter و Foursquare طراحی شده است، معرفی می کند. رویکرد پیشنهادی شباهت کاربر را با در نظر گرفتن اطلاعات پیوند درون لایه و بین لایه در یک شبکه دو لایه، با استفاده از ویژگی های استخراج شده از طریق الگوریتم بهینه سازی فاخته محاسبه می کند. پس از آن، این ویژگی های استخراج شده با استفاده از ضرایب همبستگی پیرسون برای ارزیابی اهمیت پیوند وزن می شوند. این مدل بیشتر ویژگی های توپولوژیکی و معیارهای مسیر قابل اعتماد را ادغام می کند و از معیارهای شباهت مانند جاکارد و SimRank برای افزایش دقت پیش بینی استفاده می کند. در این چارچوب، ویژگی های توپولوژیکی استخراج شده، نگاشت شبکه را در یک ساختار وزنی تسهیل می کند، در حالی که مسیرهای قابل اعتماد بر اهمیت هر پیوند در روابط کاربر تاکید می کنند. نتایج تجربی کارایی معیار شباهت پیشنهادی را در پیش بینی پیوندها در شبکه های اجتماعی آنلاین چندلایه اثبات می کند. تحلیل های مقایسه ای برتری رویکرد ما را نسبت به معیارهای شباهت کلاسیک مانند کاتز و پیش بینی دوست و همچنین الگوریتم های معاصر مانند Meta-Paths و SEM-Paths نشان می دهند.واژگان کلیدی:

کلیدواژه ها:

شبکه های اجتماعی آنلاین ، پیش بینی لینک ، شبکه های چندلایه ، اندازه گیری شباهت جاکارد ، اندازه گیری تشابه رتبه سیم ، الگوریتم بهینه سازی فاخته.