پیش بینی پیوند در شبکه های پیچیده یکی از موضوعات ضروری در حوزه داده کاوی و کشف دانش در چند سال گذشته بوده است. در واقع؛ این مسأله به دنبال پاسخ این سؤال است که اگر تصویر لحظه ی کنونی شبکه در اختیار باشد، احتمالاً چه روابط جدیدی میان موجودیت های شبکه شکل خواهد گرفت. در این بین روش های مبتنی بر شباهت به دلیل سادگی و عملکرد مناسب از محبوب ترین روش های پیش بینی پیوند محسوب می شوند. هدف اصلی این پایان نامه، بهبود دقت روش های مبتنی برشباهت پیش بینی پیوند با استفاده از اطلاعات جوامع می باشد. اطلاعات مورد استفاده در این پژوهش برگرفته از ساختار گراف و مبتنی بر شبیه ترین نود ها در جوامع مشترک در یک نمایش سلسله مراتبی است که منجر به معرفی یک معیار جدید شده است. این معیار از تعداد شبیه ترین نود ها در جوامع مشترک بین دو رأس به دست می آید. در این معیار هر چقدر تعداد نود های با اهمیت از نظربیشترین شباهت در جوامع مشترک بیشتر باشد، آنگاه این دو رأس با احتمال بیشتری امکان تشکیل یال خواهند داشت. برای ارزیابی روش های ارائه شده از دو مجموعه داده شبکه واقعی بیولوژیکی از جمله شبکه زیست شناسی و عصبی و سه شبکه فیس بوک، نویسندگی مشترک دانشمندان و پیوند های میان وبلاگ و درنهایت یک مجموعه داده شبکه مصنوعی استفاده می شود. برای تست این روش از چهار الگوریتم پیش بینی پیوند پایه مبتنی بر همسایگی از قبیل همسایه های مشترک(CN)، ضریب جاکارد(JC)، تخصیص منابع(RA)، آدامیک-آدار(AA) و برای ارزیابی آن از معیار های AUC و Precision استفاده می شود. نتایج نشان می دهند که استفاده از تعداد شبیه ترین نود ها در جوامع مشترک بین دو رأس، با برخورداری از یک پیچیدگی زمانی مناسب، در رابطه با بیشتر مجموعه داده ها منجر به بهبود دقت در پیش بینی پیوند خواهد شد.
