پیش بینی پیوند مساله ای در شبکه های پیچیده است که به پیش بینی به وجود آمدن ارتباط های جدید بین گره ها می پردازد و کاربردهای مختلفی در حوزه های گوناگون از جمله شبکه های اجتماعی، بازیابی اطلاعات، تجارت الکترونیک و بیوانفورماتیک دارد. روش های متفاوتی برای تحقق این هدف استفاده شده است. یک دسته از این روش ها، مبتنی بر استخراج ویژگی های ساختاری شبکه می باشند. به این معنا که یک یا چند ویژگی از ساختار شبکه را جهت پیش بینی به وجود آمدن ارتباط جدید بین گره ها مد نظر قرار می دهند. ویژگی های محلی، بیشتر اطلاعات گره ها را در نظر می گیرند و ویژگی های سراسری، اطلاعات ساختاری گراف مانند طول مسیرها را معیار قرار می دهند. در این پایان نامه روشی ارائه شده است که ویژگی های محلی پایه مانند Common Neighbors، Jaccard ، Adamic Adar و غیره را با اطلاعات حاصل از الگوریتم های تشخیص اجتماع درگراف ترکیب می کند. ایده اصلی آن است که پس از تشخیص اجتماع با الگوریتم های Louvain، Newman-Girvan و Greedy Modularity Communication، نحوه پراکنش و تراکم همسایه های مشترک در اجتماع های کشف شده را معیار قرار می دهیم و امتیازهای همسایه های مشترک قرار گرفته در آن ها را برای الگوریتم های پایه به شیوه خاصی تقویت می کنیم. این روش بر روی مجموعه داده های معروف (کاراته کلاب، دلفین، نت ساینس، سی الگنس و ...) در حوزه پیش بینی پیوند آزمایش شده است. ارزیابی AUC و دقت محاسبات نشان می دهند که با استفاده از این شیوه، نتایج پیش بینی پیوند بر روی این مجموعه داده ها در اغلب ویژگی های محلی به طور قابل ملاحظه ای بهبود یافته است. روش استفاده شده قابلیت توسعه برای بهبود سایر الگوریتم های پیش بینی پیوند را نیز داراست.
