2024 : 10 : 31
Parham Moradi

Parham Moradi

Academic rank: Associate Professor
ORCID:
Education: PhD.
ScopusId: 654
HIndex:
Faculty: Faculty of Engineering
Address: Department of Computer Engineering, Faculty of Engineering, University of Kurdistan
Phone:

Research

Title
بهبود کارایی پیش‌بینی پیوند چندلایه با استفاده مؤثر از کشف اجتماع و مرکزیت
Type
Thesis
Keywords
شبکه چند لایه، پیش‌بینی پیوند بین لایه‌ای، شبکه مسطح، شبکه دو بخشی، کشف اجتماع، مرکزیت
Year
2023
Researchers Sanaz Jarrahi(Student)، Sadegh Sulaimany(PrimaryAdvisor)، Parham Moradi(Advisor)

Abstract

یکی از موضوعاتی که به شدت در تحلیل شبکه مورد مطالعه قرار گرفته است، مسئله پیش‌بینی پیوند است که اهمیت فراوانی در مسائل زیستی، علمی و شبکه‌های اجتماعی و ... دارد و عبارت است از: امتیاز دادن به یال‌های غیرموجود. نوع خاصی از پیش‌بینی پیوند که کاربردهای زیادی دارد، پیش‌بینی پیوند در شبکه‌های چند لایه است که دو نوع اصلی از شبکه‌های چندلایه عبارتنداز: 1) شبکه‌های چندگانه که در آن تعداد و نوع گره‌ها در تمام لایه‌ها یکسان بوده و پیوند‌های بین‌لایه‌ای که گره‌ها را در دو لایه به‌هم متصل می‌کند به صورت یک به یک است و در واقع گره‌های با ماهیت یکسان را به‌هم متصل می‌کند و اما 2) شبکه‌های به‌هم پیوسته که در آن تعداد و نوع گره‌ها در لایه‌ها لزوما یکسان نیست و همچنین پیوند‌‌های بین‌لایه‌ای غیر یک ‌به یک بوده و گره‌های با ماهیت متفاوت را به‌هم متصل می-کند و همچنین هر گره از هر لایه می‌تواند به هر گره از لایه دیگر متصل شود. پیش‌بینی پیوند در شبکه‌های چند لایه به دو صورت انجام می‌پذیرد: 1) پیش‌بینی پیوند درون لایه‌ای که در آن پیوند‌های ناموجود در درون یک لایه پیش‌بینی می‌شود و 2) پیش‌بینی پیوند بین لایه‌ای که در آن پیوندهای بین لایه‌ای ناموجود بین دو لایه مختلف پیش‌بینی می‌شود. بیشتر مطالعاتی که تاکنون انجام شده است بر پیش‌بینی پیوند درون لایه‌ای تمرکز داشته‌اند و مطالعه در زمینه پیش‌بینی پیوند بین لایه‌ای هنوز در مراحل اولیه است و اینکه مطالعاتی که تاکنون در زمینه پیش‌بینی پیوند بین لایه‌ای انجام شده‌اند همگی بر روی شبکه-های چندگانه که در واقع زیر مجموعه‌ای از شبکه چند لایه است با کمینه تعداد لایه (2 لایه) کار کرده‌اند، به همین دلیل در این پایان‌نامه ما پیش‌بینی پیوند بین لایه‌ای را در شبکه‌های چند لایه به‌هم پیوسته بدون محدودیت در تعداد و نوع گره‌ها در لایه‌ها، تعداد لایه‌ها و تعداد پیوندهای بین لایه‌ای انجام می‌دهیم. برای این کار از سه رویکرد: 1) تبدیل شبکه چند لایه به شبکه‌های مسطح 2) کاهش شبکه چند لایه به شبکه‌های دو بخشی و 3) بهره‌‌گیری از کشف اجتماع و مرکزیت برای انجام پیش‌بینی پیوند بین لایه‌ای کمک می‌گیریم. الگوریتم‌های مورد استفاده در پیش‌بینی پیوند، الگوریتم‌های پایه: همسایگان مشترک، ضریب جاکارد، پیوست ترجیحی و آدامیک آدار هستند و رویکرد کشف اجتماع استفاده شده در این کار، الگوریتم‌ معروف گیروان-نیومن است. همچنین از معیار مرکزیت نزدیکی برای تعیین اهمیت گره‌ها، استفاده شده است. مجموعه داده‌های استفاده شده در این کار شامل: شبکه‌ 3 لایه برگرفته از متن فیلم‌نامه، فیلم معروف "The Avengers 2012" و شبکه‌های 3، 4 و 5 لایه سریال "Star Wars" است. در نهایت نتایج دقت رویکردهای پیشنهادی در چهار فاز: 1) پیش‌بینی پیوند بین لایه‌ای از طریق شبکه مسطح، 2) پیش‌بینی پیوند بین لایه‌ای از طریق شبکه دو بخشی، 3) پیش‌بینی پیوند بین لایه‌ای از طریق ترکیب نتایج رویکرد اول و دوم برای بهبود نتایج دقت پیش‌بینی پیوند از طریق شبکه دو بخشی و 4) پیش‌بینی پیوند بین لایه‌ای از طریق ترکیب نتایج رویکرد اول و دوم و سوم که بهره‌گیری از کشف اجتماع و مرکزیت است، ارائه می‌شود که به طور کلی هدف از ارائه فاز سوم و چهارم که برای محاسبه دقت از ترکیب نتایج رویکردهای پیشنهادی استفاده می‌کنند، بهبود دقت نتایج فازهای اول و دوم است و با توجه به نتایج ارائه شده بهترین عملکرد مربوط به فاز سوم (پیش‌بینی پیوند بین لایه‌ای از طریق ترکیب رویکرد مسطح نمودن شبکه و کاهش به شبکه دوبخشی) است. همچنین بهترین نتایج برای AUC برای شبکه چهار لایه Star Wars 3 و شبکه پنج لایه Star Wars 2 با مقدار بیش از 0.9 برای فازهای سوم و چهارم به ازای هر چهار معیار امتیازدهی پیش‌بینی پیوند بدست آمد.