صادق سلیمانی

پیش‌بینی پیوند وزن‌دار یک مسئله در شبکه‌های پیچیده و پویا است که به پیش‌بینی ایجاد یا قطع ارتباطات بین گره‌ها می‌پردازد. این مسئله کاربردهای گسترده‌ای در حوزه‌های مختلف از جمله شبکه‌های اجتماعی آنلاین، بازیابی اطلاعات، تجارت الکترونیک، بیوانفورماتیک و غیره دارد. برای رسیدن به این هدف، از روش‌های مختلفی استفاده شده است. یکی از این روش‌ها، استخراج ویژگی‌های ساختاری شبکه (ها) است. به این معنی که یک یا چند ویژگی از ساختار شبکه برای پیش‌بینی ایجاد ارتباط جدید بین گره‌ها مورد استفاده قرار می‌شود. روش‌های پیش‌بینی پیوند وزن‌دار بدون ناظر، عمدتا مبتنی بر پردازش اطلاعات همسایگان مشترک یا تعداد آن‌ها هستند که روش‌های جاکارد، همسایگان مشترک، آدامیک/آدار و الحاق ترجیحی از رایج‌ترین آن‌ها به شمار می‌روند. با توجه به اینکه روش‌های کشف اجتماع رایج نیز از اطلاعات ساختاری و همسایگی گره‌ها برای یافتن بیشینه شباهت آن‌ها استفاده می‌کنند، تاکنون پژوهش‌هایی برای بهبود دقت پیش‌بینی پیوند با کمک کشف اجتماع صورت گرفته است. در این پژوهش با دو ایده جدید زیر، نسبت به بازتعریف روش‌های پیش‌بینی پیوند اقدام خواهیم کرد: لحاظ کردن امتیاز بیشتر برای همسایگان مشترک دو گره که اجتماع مشترک دارند و لحاظ کردن بزرگترین اجتماع دربرگیرنده بیشترین تعداد همسایگان مشترک. بدین ترتیب تراکم همسایه‌های مشترک در اجتماعاتی که از روش‌های رایج کشف جامعه مانند گیروان نیومن، لووین و الگوریتم انتشار برچسب ناهمزمان حاصل می‌شوند، سبب بهبود پیش‌بینی پیوند خواهند شد. پس از پیاده‌سازی دو ایده پیشنهادی در این پژوهش، ارزیابی مبتنی بر محاسبه AUC نشان می‌دهد که نتایج پیش‌بینی پیوند وزن‌دار در مجموعه داده‌های Animal Social، USAir، Celegans و Net Science بهبود یافته است. به عنوان مثال، در مجموعه داده Animal Social، استفاده از ترکیب روش‌های آدامیک/آدار و لووین منجر به بهبود 18.5 درصدی شده است. همچنین، در مجموعه داده USAir، استفاده از ترکیب روش‌های آدامیک/آدار و گیروان-نیومن بهبود 5.5 درصدی را نشان داده است. در نتیجه، در مجموعه داده Net Science، استفاده از ترکیب روش‌های آدامیک/آدار و لووین نسبت به رویکرد CCNI_FCNI_DS در مقاله رقیب، بهبود 0.5 درصدی داشته است. در رویکرد تجربی که در مقاله کومار و همکاران آمده است، در دیتاست USAir، استفاده از روش‌های ترکیبی به صورت میانگین منجر به بهبود 29.21 درصدی گردیده است و در دیتاست مشترک Celegans نیز استفاده از روش های ترکیبی به صورت میانگین 13.85 درصد نسبت به روش مقاله مرجع بهبود یافته است. تمامی روش‌های پیش‌بینی پیوند وزن‌دار و روش‌های تشخیص اجتماع مورد استفاده در این تحقیق، در بهبود نتایج نقش مهمی ایفا کرده‌اند. روش آدامیک/آدار بیشترین بهبود را در میان روش‌های پیش‌بینی پیوند داشته است، و روش‌های لووین و گیروان-نیومن به ترتیب بیشترین بهبود را در میان روش‌های تشخیص اجتماع ارائه داده‌اند. توسعه‌های آتی این پژوهش می‌تواند گسترش حیطه به روش‌های با ناظر یا بهره‌گیری از روش‌های قوی‌تر مبتنی بر پردازش مسیر و لحاظ نمودن ویژگی‌های سراسری گراف باشد. همچنین می‌توان معیارهای ارزیابی بیشتری مانند مؤلفه‌ای بودن یا اطلاعات متقابل را نیز مورد آزمون قرار داد. علاوه بر آن می‌توان بر روی روش‌هایی کار کرد که پیش‌بینی همزمان یال و وزن‌ آن را پوشش دهند.