کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6857414 662006 2016 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An efficient algorithm for link prediction in temporal uncertain social networks
ترجمه فارسی عنوان
یک الگوریتم کارآمد برای پیش بینی پیوند در شبکه های اجتماعی نامشخص زمانی
کلمات کلیدی
شبکه نامشخص زمانی، جهان ممکن پیش بینی پیوند، پیاده روی تصادفی،
ترجمه چکیده
با توجه به عدم قطعیت، ناقص بودن و سر و صدا در داده ها از برنامه های واقعی، عدم قطعیت یک ویژگی طبیعی از شبکه های دنیای واقعی است. در چنین شبکه هایی، هر لبه با یک مقدار احتمالی نشان دهنده وجود آن در شبکه است. پیش بینی پیوندها در شبکه های نامشخص، از نظر محاسباتی چالش برانگیزتر است و از نظر پیش بینی اتصالات در شبکه های قطعی، معنایی دارد. این مقاله یک روش پیش بینی پیوند در شبکه های نامشخص زمانی ارائه می دهد. در روش ما، پیش بینی مشکل با طراحی یک پیاده روی تصادفی در شبکه های نامشخص زمانی صورت می گیرد. الگوریتم ابتدا مشکل پیش بینی پیوند در شبکه های نامشخص را به یک پیاده روی تصادفی در یک شبکه قطعی تبدیل می کند. سپس نمرات شباهت بین گره و همسایگان آن در یک زیر گراف در اطراف این گره محاسبه می شود تا زمان محاسبات را کاهش دهد. روش پیشنهادی اطلاعات توپولوژیکی موقتی و جهانی را در شبکه های نامعلومی زمانی ادغام می کند و می تواند نتایج دقیقتری کسب کند. نتایج تجربی در شبکه های اجتماعی واقعی نشان می دهد که روش ما می تواند لینک های آینده را به صورت موثر در شبکه های اجتماعی نامنظم موثر پیش بینی کند و نتایج مشابه با سایر روش های مشابه را به دست آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک الگوریتم کارآمد برای پیش بینی پیوند در شبکه های اجتماعی نامشخص زمانی
چکیده انگلیسی
Due to the inaccuracy, incompleteness and noise in data from real applications, uncertainty is a natural feature of real-world networks. In such networks, each edge is associated with a probability value indicating its existence in the network. Predicting links in uncertain networks is computationally more challenging and differs semantically from predicting connections in deterministic networks. This paper presents a method for link prediction in temporal uncertain networks. In our method, the predicting problem is formalized by designing a random walk in temporal uncertain networks. The algorithm first transforms the link prediction problem in uncertain networks to a random walk in a deterministic network. Then, the similarity scores between a node and its neighbors are computed within a sub-graph around this node to reduce the computational time. The proposed method integrates temporal and global topological information in temporal uncertain networks and can obtain more accurate results. Experimental results on real social networks show that our method can predict future links efficiently in temporal uncertain social networks and achieves higher quality results than other similar methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 331, 20 February 2016, Pages 120-136
نویسندگان
, ,