پرهام مرادی دولت آبادی

پیش‌بینی پیوندهای احتمالی در شبکه‌های پیچیده یکی از چالش‌های مهم در تحلیل شبکه است. این مسئله کاربردهای مهمی در زمینه‌هایی مانند شبکه‌های اجتماعی، زیستی و حمل و نقل دارد. به عنوان مثال، در شبکه‌های اجتماعی، پیش‌بینی پیوندهای احتمالی می‌تواند به پیشنهاد دوستان بالقوه کمک کند و تجربه کاربری را بهبود ببخشد. در شبکه‌های زیستی نیز، پیش‌بینی دقیق‌تر تعاملات پروتئینی می‌تواند به پیشرفت‌های قابل توجهی در کشف دارو و درک مکانیسم‌های بیولوژیکی منجر شود. با این حال، روش‌های سنتی پیش‌بینی پیوند محدودیت‌هایی در دقت و نقش گره ها در شبکه را دارند. این پژوهش یک رویکرد نوآورانه را برای بهبود دقت پیش‌بینی پیوند در شبکه‌های پیچیده ارائه می‌دهد. روش پیشنهادی با ترکیب هوشمندانه الگوریتم‌های پایه پیش‌بینی پیوند (مانند CN، JC، RA، AA و PA) با معیارهای مرکزیت گره (درجه، بینابینی، نزدیکی، بردار ویژه و رتبه صفحه) طراحی شده است. این ترکیب به بهره‌گیری هم‌زمان از ساختار محلی شبکه و اهمیت کلی گره‌ها منجر می‌شود. نتایج ارزیابی روش پیشنهادی بر روی ده مجموعه داده متنوع نشان داد که این روش در اکثر موارد عملکرد بهتری نسبت به روش‌های پایه داشته است. به عنوان مثال، در شبکه lesmis، روش PA بهبودیافته با معیار بردار ویژه به Precision برابر با 0.3152 دست یافت که بهبود قابل توجهی نسبت به روش پایه PA (Precision برابر با 0.1567) بود. این بهبود عملکرد به ویژه در شبکه‌های بزرگ‌تر و پیچیده‌تر مشهودتر بود و همچنین در شبکه های کوچک عالی عمل کرد. همچنین، مطالعه نشان داد که انتخاب بهترین روش برای پیش‌بینی پیوند به ویژگی‌های خاص هر شبکه بستگی دارد. به عنوان مثال، در شبکه Karate، روش PA بهبودیافته با معیار درجه بهترین عملکرد را داشت، در حالی که در شبکه Jazz، روش AA بهبودیافته با معیار بردار ویژه بهترین نتیجه را ارائه داد. این یافته‌ها اهمیت در نظر گرفتن ساختار و ویژگی‌های خاص هر شبکه را در انتخاب روش مناسب برای پیش‌بینی پیوند نشان می‌دهد. این پژوهش گامی مهم در جهت بهبود دقت پیش‌بینی پیوند در شبکه‌های پیچیده برداشته است. با این حال، این مطالعه دارای برخی محدودیت‌ها نیز بود. با توجه به این محدودیت‌ها و نتایج به دست آمده، چندین مسیر برای تحقیقات آینده پیشنهاد می‌شود. این شامل توسعه روش‌های پیش‌بینی پیوند که قادر به در نظر گرفتن پویایی شبکه باشند، آزمودن روش‌های پیشرفته‌تر مرکزیت، بهبود کارایی محاسباتی الگوریتم‌ها، ترکیب روش‌های پیشنهادی با تکنیک‌های پیشرفته یادگیری ماشین و بررسی تأثیر سایر ویژگی‌های شبکه بر پیش‌بینی پیوند می‌باشد.