کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6857505 665202 2016 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A fast algorithm for predicting links to nodes of interest
ترجمه فارسی عنوان
الگوریتم سریع برای پیش بینی لینک ها به گره های مورد علاقه
کلمات کلیدی
ترجمه چکیده
مشکل پیشبینی لینک اخیرا توجه زیادی را در حوزه های مختلف مانند جامعه شناسی، انسان شناسی، علم اطلاعات و علوم رایانه ای به خود جلب کرده است. در بسیاری از برنامه های دنیای واقعی، ما باید نمرات شباهت را فقط بین جفت های رأس که کاربران علاقه مند هستند پیش بینی کنیم، نه پیش بینی نمرات تمام جفت های رأس در شبکه. در این مقاله، یک روش مبتنی بر شباهت سریع پیشنهاد شده برای پیش بینی پیوندهای مربوط به گره های مورد نظر پیشنهاد می کنیم. در این روش، ما ابتدا یک گراف فرعی متمرکز در گره مورد علاقه ایجاد می کنیم. با انتخاب اندازه مناسب برای چنین زیر نمودار، ما می توانیم خطای شباهت های تخمینی را در یک آستانه معین محدود کنیم. از آنجا که نمره شباهت در یک زیر گراف کوچک کوچک محاسبه می شود، الگوریتم می تواند زمان محاسبات را بسیار کاهش دهد. این روش همچنین برای پیش بینی لینک های بالقوه در کل شبکه برای دستیابی به سرعت و دقت بالای پردازش گسترش یافته است. نتایج تجربی در شبکه های واقعی نشان می دهد که الگوریتم ما می تواند نتایج دقت بالا را در زمان کمتر از سایر روش ها می تواند به دست آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
الگوریتم سریع برای پیش بینی لینک ها به گره های مورد علاقه
چکیده انگلیسی
The problem of link prediction has recently attracted considerable attention in various domains, such as sociology, anthropology, information science, and computer science. In many real world applications, we must predict similarity scores only between pairs of vertices in which users are interested, rather than predicting the scores of all pairs of vertices in the network. In this paper, we propose a fast similarity-based method to predict links related to nodes of interest. In the method, we first construct a sub-graph centered at the node of interest. By choosing the proper size for such a sub-graph, we can restrict the error of the estimated similarities within a given threshold. Because the similarity score is computed within a small sub-graph, the algorithm can greatly reduce computation time. The method is also extended to predict potential links in the whole network to achieve high process speed and accuracy. Experimental results on real networks demonstrate that our algorithm can obtain high accuracy results in less time than other methods can.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 329, 1 February 2016, Pages 552-567
نویسندگان
, , ,