کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6874462 1441161 2018 34 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Link prediction in stochastic social networks: Learning automata approach
ترجمه فارسی عنوان
پیش بینی پیوند در شبکه های اجتماعی تصادفی: رویکرد اتوماتای ​​یادگیری
کلمات کلیدی
شبکه اجتماعی تصادفی پیش بینی پیوند، اتوماتای ​​یادگیری،
ترجمه چکیده
پیش بینی پیوند یک چالش اصلی شبکه اجتماعی است که از ساختار شبکه برای پیش بینی لینک های آینده استفاده می کند. روش پیش بینی پیوند مشترک برای پیش بینی پیوندهای پنهان از یک نمایش گراف استاتیک استفاده می کند که یک عکس فوری از شبکه برای پیدا کردن لینک های پنهان یا آینده مورد تجزیه و تحلیل قرار می گیرد. به عنوان مثال، پیش بینی های پیوند مبتنی بر متریک شباهت یک رویکرد سنتی رایج است که متریک شباهت را برای هر پیوند غیرمستقیم محاسبه می کند و پیوندها را براساس معیارهای شباهت خود مرتب می کند و پیوندهای با امتیازات مشابهی را به عنوان لینک های آینده برچسب گذاری می کنند. از آنجا که فعالیت های افراد در شبکه های اجتماعی پویا و عدم اطمینان است و ساختار شبکه ها در طول زمان تغییر می کند، استفاده از نمودارهای قطعی برای مدل سازی و تجزیه و تحلیل شبکه های اجتماعی ممکن است مناسب نباشد. این مقاله پیشنهاد یک روش پیش بینی پیوند جدید مبتنی بر اتوماتای ​​یادگیری برای شبکه های اجتماعی تصادفی ارائه می دهد. در یک شبکه اجتماعی تصادفی، وزنهای مرتبط با لینک متغیرهای تصادفی هستند. برای انجام این کار ابتدا برخی از معیارهای تشابه را برای پیش بینی پیوند در نمودارهای تصادفی دوباره تعریف می کنیم و سپس یک روش مبتنی بر اتوماتای ​​یادگیری را برای محاسبه توزیع معیارهای پیشنهادی پیشنهادی پیشنهاد می کنیم و فرض می کنیم که توزیع احتمال وزن پیوند ناشناخته است. همچنین روش پیشنهادی قابلیت استفاده در شبکه های اجتماعی تصادفی آنلاین را دارد که شبکه اجتماعی آن را آنلاین تغییر می دهد و لینک های آینده باید پیش بینی شود. برای ارزیابی روش پیشنهاد شده از شبکه های اجتماعی متداول مصنوعی مختلف استفاده شده و ارائه شده است که پیش بینی پیوند تصادفی نتایج بهتر در مقایسه با الگوریتم پیش بینی لینک های کلاسیک در شبکه های اجتماعی تصادفی به دست می آید.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
پیش بینی پیوند در شبکه های اجتماعی تصادفی: رویکرد اتوماتای ​​یادگیری
چکیده انگلیسی
Link prediction is a main social network challenge that uses the network structure to predict future links. The common link prediction approaches to predict hidden links use a static graph representation where a snapshot of the network is analyzed to find hidden or future links. For example, similarity metric based link predictions are a common traditional approach that calculates the similarity metric for each non-connected link and sort the links based on their similarity metrics and label the links with higher similarity scores as the future links. Because people activities in social networks are dynamic and uncertainty, and the structure of the networks change over time, using deterministic graphs for modeling and analysis of the social network may not be appropriate. This paper proposes a new link prediction method based on learning automata for stochastic social networks. In a stochastic social network, the weights associated with the links are random variables. To do this, we first redefine some of the similarity metrics for link prediction in stochastic graphs and then propose a method based on learning automata to calculate the distribution of the proposed similarity metrics assuming that the probability distributions of the link weights are unknown. Also, the proposed method has capability to use in online stochastic social networks where the social network changes online and the future links must be predicted. To evaluate the proposed method we use different synthetic stochastic social networks and present that the stochastic link prediction achieves better results in comparison to the classical link prediction algorithms in the stochastic social networks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Computational Science - Volume 24, January 2018, Pages 313-328
نویسندگان
, ,