يك چارچوب براي پيش بيني پيوند با استفاده از نشاننده و شبكه عصبي هم آميختي

فاقد عنوان

امروزه استفاده از نشاننده گره‌هاي شبكه، كاربردهاي بسياري را در تحليل شبكه‌هاي پيچيده پيدا كرده است؛ نشاننده يك گره، برداري است كه اين گره را در يك فضاي جديد برداري نمايش مي‌دهد. يافتن يك نمايش برداري مناسب براي گره‌هاي شبكه را يادگيري بازنمايي شبكه مي‌نامند كه در آن گره‌هاي شبيه در شبكه بايد چنان در فضاي برداري نمايش داده شوند كه در آن فضا نيز به هم شبيه باشند و فاصله ميان نشاننده گره‌هاي شبيه در فضاي جديد كم باشد. Node2vec يكي از روش‌هاي رايج براي يافتن نشاننده گره‌هاي شبكه است. با فرض داشتن نشاننده‌ها، مسئله تحليل در شبكه‌هاي پيچيده مي‌تواند تبديل به مسئله ديگري در فضاي برداري شود. در اين مقاله، يك چارچوب سه مرحله‌اي، با نام DenseNet-LP پيشنهاد مي‌شود كه در آن مسئله پيش‌بيني پيوند در شبكه‌هاي پيچيده با مسئله رده‌بندي در فضاي برداري جابجا مي‌شود. در مرحله اول، نشاننده گره‌ها با روش Node2vec به‌دست مي‌آيد. در مرحله دوم DenseNet-LP، با استفاده از نشاننده‌ها، به ازاي هر گره يك ماتريس ساخته مي‌شود تا در مرحله بعدي مورد استفاده قرار گيرد. در مرحله آخر DenseNet-LP، ماتريس مرتبط با دو گره متفاوت به يك شبكه ‌عصبي داده مي‌شود تا مسئله رده‌بندي را حل كند؛ آيا ميان اين دو گره پيوند وجود دارد (رده اول) يا وجود ندارد (رده دوم)؟ همچنين در اين مقاله، در كنار مقايسه روش‌هاي متفاوت يادگيري بازنمايي شبكه با Node2vec، نسخه جديدي از اين روش نيز پيشنهاد شده است كه كارآيي بالاتري در حل مسئله پيش‌بيني پيوند دارد.

no abstract