علیرضا عبداله پوری

کشف یال‌های غیر محتمل در شبکه‌های پیچیده، یکی از چالش‌های مهم و کاربردی در حوزه تحلیل شبکه‌ها است. این مسئله نه تنها از منظر نظری حائز اهمیت است، بلکه کاربردهای گسترده‌ای در زمینه‌های مختلف از جمله شبکه‌های اجتماعی، شبکه‌های زیستی، و سیستم‌های توصیه‌گر دارد. تشخیص دقیق لینک‌های غیر محتمل می‌تواند به بهبود ساختار شبکه، شناسایی ارتباطات نامتعارف، و پیش‌بینی رفتارهای آتی در شبکه کمک کند. با توجه به پیچیدگی و مقیاس بزرگ شبکه‌های واقعی، روش‌های سنتی اغلب در پیش‌بینی دقیق این لینک‌ها با محدودیت‌هایی مواجه هستند. از این رو، توسعه روش‌های نوین و کارآمد برای این مسئله، گامی مهم در جهت درک عمیق‌تر دینامیک شبکه‌های پیچیده و بهبود کاربردهای عملی در این حوزه است. در این پژوهش، ما یک رویکرد نوآورانه برای کشف یال‌های غیر محتمل در شبکه با استفاده از شبکه‌های عصبی گراف (GNN) و مفهوم گراف مکمل ارائه کرده‌ایم. روش پیشنهادی ما بر این اصل استوار است که پیش‌بینی لینک‌های مثبت در گراف مکمل، معادل با پیش‌بینی لینک‌های منفی در گراف اصلی است. ما ابتدا گراف مکمل را از گراف اصلی ایجاد کرده و سپس از قدرت یادگیری عمیق شبکه‌های عصبی گراف برای استخراج ویژگی‌های پیچیده و غیرخطی در این گراف مکمل استفاده کردیم. سه مدل اصلی GNN شامل شبکه کانولوشن گراف (GCN)، شبکه توجه گراف (GAT) و GraphSAGE مورد استفاده قرار گرفتند. همچنین، ما عملکرد این مدل‌ها را با روش‌های پایه مانند همسایگان مشترک (CN)، پیوست ترجیحی (PA) و ضریب جاکارد (JC) مقایسه کردیم. ارزیابی بر روی چهار مجموعه داده استاندارد شامل Cora، KarateClub، Chameleon و CiteSeer انجام شد تا کارایی و قابلیت تعمیم روش پیشنهادی در انواع مختلف شبکه‌ها سنجیده شود. نتایج حاصل از این پژوهش نشان داد که استفاده از مدل‌های GNN در ترکیب با رویکرد گراف مکمل، بهبود قابل توجهی در دقت پیش‌بینی یال‌های غیر محتمل نسبت به روش‌های پایه ایجاد می‌کند. در تمامی مجموعه داده‌های مورد بررسی، مدل‌های GNN عملکرد بهتری را نسبت به روش‌های پایه نشان دادند، که نشان‌دهنده توانایی قابل توجه مدل‌های GNN در استخراج الگوهای پیچیده در شبکه‌های بزرگ است. GraphSAGE در اکثر موارد بهترین عملکرد را در میان مدل‌های GNN داشت، که می‌تواند به دلیل توانایی آن در نمونه‌برداری و تجمیع اطلاعات از همسایگی‌های گره‌ها باشد. همچنین، مشاهده شد که عملکرد مدل‌های مختلف GNN در شبکه‌های مختلف متفاوت است، که اهمیت انتخاب مدل مناسب با توجه به ویژگی‌های خاص هر شبکه را نشان می‌دهد. علاوه بر این، نتایج نشان داد که استفاده از گراف مکمل نقش مهمی در بهبود عملکرد داشته و به مدل‌ها اجازه می‌دهد تا الگوهای مربوط به عدم وجود ارتباط را به خوبی یاد بگیرند. همچنین، مقایسه نتایج با دو مطالعه جدید در این حوزه نشان داد که روش پیشنهادی ما از نظر دقت پیش‌بینی یال‌های غیر محتمل عملکرد بهتری دارد، که این موضوع بر نوآوری و کارایی بالای رویکرد ارائه‌شده تأکید می‌کند. با وجود بهبود قابل توجه در دقت پیش‌بینی یال‌های غیر محتمل، این پژوهش مسیرهای جذابی برای تحقیقات آینده مشخص کرده است. افزایش کارایی محاسباتی مدل‌های GNN در مقیاس‌های بزرگ، ترکیب اطلاعات گراف اصلی و گراف مکمل، و توسعه روش‌های تفسیرپذیر از جمله زمینه‌های مهم برای بهبود هستند. همچنین، اعمال این رویکرد در حوزه‌های کاربردی مانند تشخیص تقلب در شبکه‌های مالی یا شناسایی تعاملات غیرعادی در شبکه‌های اجتماعی می‌تواند ارزش عملی آن را بیشتر نمایان کند.