پیش بینی تکامل گروه در شبکه های اجتماعی براساس ویژگی های ساختاری گراف با استفاده از شباهت های محلی و ساختاری

پیش بینی رشد گروه ها در دوره های زمانی مختلف مسئله ای پراهمیت است که در زمینه های سیاسی، اجتماعی و بازرگانی مورد بحث و مطالعه قرار می گیرد. پیش بینی حرکات و جنبش های سیاسی دوره ای و رشد گروه های مذهبی و رادیکال کاربردهایی از این مسئله می باشند. در دنیای دیجیتال شبکه های برخط (همچون تلگرام، فیسبوک) از لحاظ کمیت کاربران درگیر و میزان فعالیت و تاثیر پذیری کاربران رشد قابل توجه ای داشته اند. ساختار شبکه، اطلاعاتی در خود نهفته دارد که می توان با استفاده از روش های استخراج ویژگی به آنها دست یافت. ویژگی ها را می توان به صورت یادگیری ویژگی استخراج کرد. از مهمترین خصوصیت یادگیری ویژگی عمومیت آن است که باعث می شود در مسایل مختلف مورد استفاده قرار گیرد. نکته مهمی که در استخراج ویژگی از ساختار گراف مطرح است نوع شباهت بین گره هاست. دو نوع شباهت مطرح شده شباهت محلی و شباهت در نقش گره است. شباهت محلی شباهت گره های نزیک به هم یا همان گره های همسایه را بیان می کند و شباهت در نقش بدنبال یافتن شباهت ساختاری دو گره است برای مثال دو استاد دانشگاه در شبکه ممکن است همسایه هم نباشند اما نقشی که در شبکه دارند بسیار نزدیک به هم باشد. در این مقاله با کمک الگوریتم های یادگیری ویژگی سعی می شود که در مجموعه داده های dblp الگوی شباهت بین گره ها را یافته و احتمال پیوستن به گروه ها را پیش بینی کنیم. به کمک این روش می توان در هر شبکه ای نوع شباهت بین گره ها را تشخیص داد و با استفاده از آن ویژگی های ساختاری را استخراج نمود.

کلیدواژه ها:

استخراج ویژگی ، ویژگی های ساختاری ، تعبیه سازی شبکه ، شبکه های اجتماعی