پيش بيني پيوند در شبكه هاي اجتماعي پويا با استفاده از يادگيري عميق

Link prediction in dynamic social networks using deep learning

درك پويايي شبكه‌هاي اجتماعي كه سير تكاملي آن را هدايت مي‌كند، به دليل در اختيار داشتن تعداد زيادي از پارامترهاي متغير به عنوان يك مساله پيچيده مطرح است. اما مساله نسبتا ً ساده‌تر درك ارتباط بين دو گره خاص در اين نوع شبكه‌ها است. معمولاً مسائل متغير با زمان داراي ساختارهاي پيچيده‌اي هستند كه به صورت شبكه‌هاي پويا نمايش داده شده‌اند و محتويات و روابط در زمان ظاهر و حذف مي‌شوند. مسأله استنتاج مؤثر اتصال پويا به علت ماهيت پويا شبكه‌هاي بزرگ به شدت چالش برانگيز است؛ به ويژه زماني‌كه داراي الگوهاي انتقال غيرخطي و اتصالات پراكنده باشند. براي اين منظور، در اين پژوهش از يك شبكه باور عميق (DBN) به عنوان روشي براي بازنمايي عميق ويژگي‌هاي گره بهره گرفتيم. همچنين جهت پيش‌بيني لينك‌ها از ماشين بولتزمن محدود (RBM) استفاده كرديم. مدل پيشنهادي (RBM-DBN) ضمن بهره‌برداري از مزاياي كاهش ابعاد و پيش‌بيني قادر به ارائه پيش‌بيني‌هاي دقيق‌تري است. براي ارزيابي روش پيشنهادي، عملكرد آن را برروي دو مجموعه داده واقعي و در دسترس عموم در وب، FaceBook و Epinions، سنجيديم. نتايج تجربي نشان داد كه مدل پيشنهادي در مقايسه با مدل‌هاي پايه از دقت و بازخواني بهتري برخوردار است كه آن را به عنوان يك مدل مطلوب براي پيش‌بيني لينك در شبكه‌هاي اجتماعي مطرح مي‌سازد.