کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6854221 | 1437408 | 2018 | 9 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Link prediction in weighted social networks using learning automata
ترجمه فارسی عنوان
پیش بینی لینک در شبکه های اجتماعی وزنی با استفاده از اتوماتای یادگیری
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
شبکه اجتماعی، پیش بینی پیوند، شبکه وزن اتوماتای یادگیری،
ترجمه چکیده
پیش بینی پیوند یک کار مهم در تحلیل شبکه اجتماعی است. مقاله حاضر به پیش بینی ظهور روابط آینده بین گره ها در شبکه های اجتماعی می پردازد. مطالعه ما بر روی یک استراتژی یادگیری خودکار برای پیش بینی پیوند در شبکه های اجتماعی وزن تمرکز دارد. در این مقاله سعی می کنیم وزن هر لینک تست را مستقیما از اطلاعات وزن در شبکه تخمین بزنیم. برای انجام این کار، ما از استفاده از اتوماتای یادگیری، ابزار هوشمند که سعی می کنیم عمل مطلوب را براساس سیگنالهای تقویتی یاد بگیریم استفاده کنیم. در روش پیشنهاد شده در اینجا، یک اتوماتای یادگیری برای هر لینک تست وجود دارد که باید پیش بینی شود و هر دستگاه اتوماتیک یادگیری تلاش می کند وزن واقعی پیوند مربوطه را براساس وزن پیوندهای موجود در شبکه فعلی یاد بگیرد. تمام اتوماتای یادگیری به طور تکراری عمل خود را به عنوان وزن لینک های مربوطه انتخاب می کنند. سپس مجموعه ای از اقدامات یادگیری اتوماتیک برای محاسبه وزن لینک های آموزشی استفاده می شود و هر اتوماتیک یادگیری با توجه به تأثیر آن بر برآورد درست وزن مجموعه آموزش، پاداش یا مجازات خواهد شد. پیش بینی نهایی بر اساس وزن برآورد شده انجام می شود. آزمایشات پیش بینی پیوندی اولیه ما با شبکه های همکاری و ایمیل با ارائه نتایج رضایت بخش در هنگام ارزیابی وزن انجام شده است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Link prediction is an important task in Social Network Analysis. The present paper addresses predicting the emergence of future relationships among nodes in a social network. Our study focuses on a strategy of learning automata for link prediction in weighted social networks. In this paper, we try to estimate the weight of each test link directly from the weights information in the network. To do so, we take advantage of using learning automata, intelligent tools that try to learn the optimal action based on reinforcement signals. In the method proposed here, there exist one learning automata for each test link that must be predicted and each learning automata tries to learn the true weight of the corresponding link based on the weight of links in the current network. All learning automata iteratively select their action as the weight of corresponding links. The set of learning automata actions will then be used to calculate the weight of training links and each learning automata will be rewarded or punished according to its influence upon the true weight estimating of the training set. A final prediction is then performed based on the estimated weights. Our preliminary link prediction experiments with co-authorship and email networks have provided satisfactory results when weights are considered.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 70, April 2018, Pages 16-24
Journal: Engineering Applications of Artificial Intelligence - Volume 70, April 2018, Pages 16-24
نویسندگان
Behnaz Moradabadi, Mohammad Reza Meybodi,