پیش بینی پیوند در شبکه های علمی با استفاده از یادگیری ماشین و گراف های وزن دار

چکیده: با سرعت گرفتن رشد علم و انتشار مقالات و افزایش زمینه های علمی، یافتن همکار پژوهشی مناسب، یافتن منابع تحقیق و زمینه تحقیق برای محققان و نهادهای مربوطه، روز به روز سخت تر می شود. با انتخاب درست این موارد، می توان بیشترین بازدهی را از هزینه و زمان صرف شده برای پژوهش کسب کرد. برای حل این مسئله می توان با ایجاد شبکه ای شامل مقالات، دانشمندان و سایر موجودیت های علمی و ارتباطات بین آن ها، یک شبکه علمی ایجاد کرد و با استفاده از پیش بینی پیوند ارتباطاتی که در آینده شکل می گیرد را پیش بینی کرد. در این مقاله چارچوبی مبتنی بر یادگیری ماشین برای پیش بینی پیوند در شبکه های علمی ارائه شده است. در این چارچوب با وزن دهی شبکه بر اساس زمان و محتوا، محاسبه ویژگی های ساختاری و متنی جاسازی شده و انتخاب و استخراج ویژگی انجام می شود. در نهایت نمونه گیری منفی با استفاده از خوشه بندی تولید می شود تا یک مدل یادگیری ماشین برای پیش بینی پیوند آموزش داده شود. هر یک از مراحل این چارچوب به صورت جدا و همه با هم آزمایش شدند و نتایج نشان داد روش وزن دهی پیشنهاد شده برای شبکه ارجاعات و همکاری نویسندگان باعث افزایش دقت معیارهای شباهت وزن دار و در نتیجه افزایش دقت کل الگوریتم می شود. همچنین نمونه گیری منفی با استفاده از خوشه بندی باعث بهتر آموزش داده شدن الگوریتم یادگیری ماشین می شود. ویژگی های متنی داده های علمی مانند عنوان و چکیده مقالات نیز نقش موثری در پیش بینی پیوندهای آینده دارند.

کلیدواژه ها:

پیش بینی پیوند ، شبکه ارجاعات ، شبکه همکاری نویسندگان ، یادگیری ماشین ، گراف وزندار