پیش بینی لینک در شبکه های اجتماعی با استفاده از شبکه بیزین word

چکیده

شبکههایاجتماعیشبکههاییدینامیکهستندکهمدامدرحالافزایشاعضاوارتباطاتولینکهایبینآنهاهستندومتاسفانهاینلینکهاممکناستبهخاطرفرآیندایجادناقصویابهخاطراینکهاینهنوزدراینشبکههاانعکاسنیافتهاند،ازدستبرود. دررابطهبااینلینکهاوارتباطاتمسالهپیش بینیلینککه یکامرمهمبرایتحلیلشبکههایاجتماعیاست،اهمیتپیدامیکند. اینمسالهبهمعنیپیش بینیاحتمالبرقرارییکارتباطبیندورأساست،بادانستناینمسالهکهدرحالحاضرارتباطیبینایندو رأسوجودندارد .

سهرویکردبرایانجامپیش بینیلینکوجوددارد: اولینرویکردمدلهایسنتی )غیربیزین( استکهمجموعهای از ویژگیهارابرایآموزشیکمدلدستهبندیباینریاستخراجمیکند.دومی رویکردهایاحتمالاتیاستکهاحتمالالحاقموجودیتهادریکشبکهاجتماعیرابااستفادهازمدلهایگرافیکیبیزینمدلمیکندو سومین رویکرد ،رویکردهایجبرخطی-آماری است..ایدهاصلیدراستفادهازمفاهیمبیزین،بدستآوردنیکاحتمالثانویهاستکهبهشانساتصالیکجفترأسکهموردنظرماستاشارهدارد.در این گزارش با استفاده از دسته بندی کننده ساده بیزین به پیش بینی لینک میپردازیم.

یادگیری بیزین یکی ازموثرترین الگوریتم های یادگیری برای داده کاوی داده ها با استفاده از یادگیری ماشین میباشد. شبکه بیزین به تنهایی یک دسته بندی ساده براساس تئوری بیزین میباشد از این رو برای بهبود پیش بینی دسته بندی بیزی میتوانچهار راهکار ارایه داد:استخراج ویژگی ،گسترشساختاری ،یادگیری محلی وگسترش داده ها.در این گزارش با استفاده از استخراج ویژگیها که یکی از مراحل پیش پردازش داده ها میباشد به بهبود دسته بندی ها میپردازیم.الگوریتم های متاهیورستیک مبتنی بر جمعیت ازقبیل الگوریتم رقابت استعماری، الگوریتم بهینه سازی ازدحام ذرات، شبکه عصبی و الگوریتم ژنتیک در جستجوی زیرمجموعه ویژگی ها کارایی بالایی را در استخراج ویژگی مسایل بزرگ و پیچیده از جمله شبکه های پیچیده دارند،در این گزارش برای بهبود پیش بینی ها در شبکه ی اجتماعی فلیکر استفاده میکنیم .

کلمات کلیدی:شبکه های اجتماعی ، پیش بینی لینک ، شبکه های بیزین ، استخراج ویژگی و الگوریتم های متاهیورستیک مبتنی بر جمعیت

فهرست مطالب

 

فصل اول1

مقدمه و کلیات تحقیق1

1-1-مقدمه2

1-2-کلیاتومسایلتحقیق5

1-2-1-تشریحوبیانموضوعتحقیق5

1-2-2-ضرورتانجامتحقیق6

1-2-3-فرضیه هاواهدافتحقیق8

1-2-4-روشانجامتحقیق