پیشگویی پیوند اخیرا توجه بسیاری از محققان را به عنوان یک تکنیک موثر در مدل های بر پایه گراف، جلب کرده است، زیرا به فهم ارتباط بین گره ها در انواع شبکه ها کمک می کند. همچنین توسط بسیاری از برنامه های کاربردی به منظور پیشنهاددهی محصولات جدید یا اتصالات اجتماعی به مردم، استفاده می شود و از اطلاعات موجود در ساختار شبکه برای شناسایی پیوندهایی که در آینده به شبکه اضافه و یا از آن حذف می شوند، استفاده می کند. بیشتر کارهای انجام شده در این زمینه، به پیشگویی پیوندهایی محدود می شود که انتظار می رود در آینده وجود داشته باشند، و کارهای کمتری بر روی پیشگویی پیوندهای موجود که ممکن است در آینده از بین بروند، انجام شده است. اهمیت دانستن این دسته از پیشگویی ها، شبکه را برای طرح ریزی بهتر در آینده آماده می کند. ما در این مقاله روشی را معرفی می کنیم که با استفاده از سیستم فازی نوع اول وظیفه پیشگویی پیوند منفی را در شبکه های وزندار انجام دهد، به طوری که از معیارهای مجاورت استاندارد در تولید قوانین سیستم فازی کمک می گیرد. مزیت روش ما اینست که با استفاده از سیستم فازی نوع اول، در فاز طراحی و تنظیم ورودی ها، آن ها را از حالت دو مقداری به حالت چند مقداری یا نسبی در می آوریم تا در جاهایی که می خواهیم معیار شباهت، وزن یال و درجه گره ها را بیان کنیم آن ها را بصورت نسبی بیان کنیم تا با این کار مقدار دقت سیستم را افزایش دهیم. ضمن اینکه روش ما این امکان را فراهم می کند تا بدون نیاز داشتن به پیشگویی پیوند مثبت، بتوانیم بطورمستقیم حذف یال در آینده را پیشگویی کنیم که با این کار تعداد یال های مورد بررسی به طور قابل ملاحظه ای کاهش می یابد. از طرفی به دلیل ساختار-محور بودن این روش، نیازی به بازیابی پروفایل کاربران نداریم، در نتیجه حریم شخصی کاربر رعایت می شود. روش پیشنهادی بر روی مجموعه داده شبکه همکاری نویسندگان علم فیزیک آزمایش شده و نتایج حاصل از آن با معیار دقت و استفاده از روش اعتبارسنجی متقابل fold-k ارزیابی شد. با توجه به نتایج بدست آمده، مشاهده می شود که این روش، دقت روش های سابق را بهبود بخشیده است. به عنوان کارهای آینده در نظر داریم که با بهبود قواعد تعریفی سیستم فازی و استفاده از تکنیک هایی برای تعریف بهتر توابع عضویت، به نتایج بهتری دست یابیم.
