پیش بینی پیوند در شبکه های پیچیده از مدل های کلاسیک تا ابرشبکه ها

گشت پیش بینی لینک یکی از مسائل اساسی در تحلیل شبکه های پیچیده است که هدف آن شناسایی ارتباطات پنهان و یا پیش بینی روابطی است که احتمال شکل گیری آنها در آینده وجود دارد. این مسئله در حوزه های مختلفی نظیر شبکه های اجتماعی، زیست، اطلاعات، سیستم های توصیه گر و شبکه های فناورانه کاربرد گسترده ای دارد. در سال های اخیر، روش های متعددی برای پیش بینی لینک در شبکه های پیچیده ارائه شده که عمدتا بر پایه مدل سازی گراف های کلاسیک و تعاملات دوتایی میان گره ها بنا شده اند. این روش ها شامل شاخص های مبتنی بر همسایگی، مسیر و تصادفی هستند که هر یک بسته به ساختار شبکه عملکرد متفاوتی از خود نشان می دهند. با وجود موفقیت نسبی این رویکردهای کلاسیک، ناتوانی آنها در مدل سازی تعاملات مرتبه بالاتر یکی از محدودیت های اساسی آنها محسوب می شود. در بسیاری از شبکه های واقعی روابط میان گره ها به صورت گروهی و چندجانبه شکل می گیرند که این امر منجر به معرفی چارچوب های ابرشبکه ها به عنوان تعمیمی از گراف های سنتی شده است. در این چارچوب، یال ها قادر به اتصال هم زمان بیش از دو گره بوده و امکان نمایش دقیق تری از ساختار شبکه های پیچیده فراهم می شود. پژوهش های اخیر نشان داده اند که استفاده از معیارهای هایپرسنترالیتی و در نظر گرفتن اهمیت گره ها در ابرشبکه ها می تواند دقت پیش بینی لینک را به طور قابل توجهی بهبود بخشد. در این مطالعه یک بررسی جامع از روش های پیش بینی لینک در شبکه های پیچیده ارائه می شود که مسیر تکاملی این حوزه را از مدل های کلاسیک مبتنی بر گراف تا رویکردهای نوین مبتنی بر ابرشبکه ها پوشش می دهد. ابتدا مفاهیم پایه و دسته بندی روش های کلاسیک پیش بینی لینک مرور، سپس تحلیل های سیستماتیک موجود مورد بررسی قرار می گیرند. در ادامه پیشرفت های اخیر در زمینه پیش بینی لینک در ابرشبکه ها به ویژه رویکردهای مبتنی بر هایپرسنترالیتی تحلیل شده و در نهایت چالش ها و مسیرهای پژوهشی آینده این حوزه مورد بحث قرار می گیرد.

کلیدواژه ها:

لینک ، مفقود لینک ، آینده ، هایپرسنترالیتی ، روش های مبتنی بر همسایگی