پیشگویی پیوند تغییراتی که در آینده در یال های یک شبکه صورت می گیرد را پیش بینی می کند و یکی از موضوعات با اهمیت در علم شبکه محسوب می شود. پژوهش های بسیاری بر الگوریتم های پیشگویی پیوند در گراف های ساده متمرکز شده اند. با این وجود شبکه های بسیاری در دنیای واقعی با استفاده از گراف های وزن دار مدل می شوند. سنجش دقت پیشگویی پیوند، چه در شبکه های ساده و چه وزن دار، صرفاً معطوف به درستی پیشگویی وجود یال بوده است و بر اساس شناخت و بررسی پژوهشگران مرتبط با این پایان نامه، تاکنون وزن یال ها در پیشگویی پیوند وزن دار، در محاسبه دقت پیشگویی، در نظر گرفته نشده است. در این پایان نامه، روشی برای لحاظ نمودن امتیاز پیشگویی پیوند هر الگوریتم، در پیش بینی وزن همان پیوند ارائه می شود. طبق پژوهش این پایان نامه، روشی در پیشگویی پیوند وزن دار، برتر است که همزمان با پیشگویی وجود یا عدم وجود پیوند، وزن آن را نیز با بیشترین میزان دقت پیشگویی کند. برای تست این روش از الگوریتم های پیشگویی پیوند وزن دار پایه مبتنی بر همسایگی از قبیل همسایه های مشترک، ضریب جاکارد، الصاق ترجیحی، آدامیک-آدار و تخصیص منابع استفاده می شود. در عین حال از امتیاز محاسبه شده برای پیشگویی پیوند در هر کدام از الگوریتم ها، برای پیشگویی وزن آن نیز استفاده خواهد شد. بدین منظور برای همسان سازی امتیاز پیشگویی پیوند جهت استفاده در پیشگویی وزن، از روش های نرمال سازی نمایی منفی، لجستیک و خطی بهره برده می شود. دیتاست های مورد استفاده Lesmis، Celegans، Netscience و Airport هستند. از معیارهای AUC و Precision برای ارزیابی پیشگویی پیوند و از PCC و RMSE برای ارزیابی پیشگویی وزن، استفاده خواهد شد. با توجه به معیارهای ارزیابی، در اکثر دیتاست ها الگوریتم تخصیص منابع بهترین نتیجه را برای پیشگویی همزمان پیوند و وزن آن داشت. نرمال سازی خطی برای PCC و نرمال سازی لجستیک برای RMSE بهتر جواب داد. برای توسعه و افزایش دقت یافته های این پژوهش می توان از سایر الگوریتم های قابل استفاده در پیشگویی پیوند وزن دار مانند روش های مبتنی بر مسیر یا مبتنی بر یادگیری ماشین بهره برد. همچنین راهکارهای برای تطبیق وزن پیشگویی شده نرمال شده با توجه به شبکه مورد استفاده نیز ارائه کرد.
