پایان نامه پیش بینی لینک در شبکه های اجتماعی به کمک شبکه های عصبی

پایان نامه پیش بینی لینک در شبکه های اجتماعی

پروژه کارشناسی رشته مهندسی کامپیوتر گرایش نرم افزار

پیش بینی لینک با استفاده از شبکه عصبی

توضیحات فایل پیش بینی لینک با استفاده از شبکه عصبی

چکیده

امروزه با افزایش محبوبیت شبکه های اجتماعی، تحلیل و بررسی این شبکه ها مورد توجه بسیاری از محققین در زمینه های مختلفی قرار گرفته است. با تاریخچه ای بالغ بر هفتاد سال، تحلیل شبکه های اجتماعی یک موضوع بین رشته ای میان رشته هایی مثل جامعه شناسی، ریاضیات و علوم کامپیوتر است که در علوم مختلف مانند جامعه شناسی، اقتصاد، علوم ارتباطی، روانشناسی، فیزیک و کامپیوتر کاربرد دارد. یکی از تحلیل هایی که در شبکه های اجتماعی صورت میگیرد، پیش بینی لینک (پیوند) است. در این مقاله روش های مختلف پیش بینی لینک به صورت مختصر ذکر شده اند.

هدف اصلی این پروژه پیش بینی لینک با استفاده از شبکه عصبی به خصوص شبکه عصبی گراف می باشد.

در این مقاله ما چارچوب جدید SEAL (یادگیری از زیرگراف ها، تعبیه ها و ویژگی ها) را برای پیش بینی لینک پیشنهاد دادیم. که ترکیبی از هر سه نوع روش در یک شبکه عصبی گراف واحد (GNN) هست.

GNN (شبکه عصبی گراف) نوع جدیدی از شبکه عصبی است که مستقیماً نمودارها (گرافها) را به عنوان ورودی می پذیرد و برچسب های آنها را به عنوان خروجی صادر میکند.

در SEAL، ورودی GNN یک زیر گراف محلی در اطراف هر لینک هدف است. ما به صورت تئوری اثبات میکنیم که زیر گراف های محلی ما نیز مقدار زیادی از نظم بالا و ویژگی های ساختار گراف که مربوط به وجود پیوند هست را حفظ میکند و در اختیار دارد.

یک ویژگی مهم دیگر این است که GNN به طور طبیعی میتواند ویژگی های نهفته و ویژگی های صریح را باهم ترکیب کند. این کار با به هم پیوستن تعبیه های گره (ویژگی های نهفته) و ویژگی های هر گره (ویژگی های صریح) در ماتریس اطلاعات برای هر زیر گراف انجام میشود؛ بنابراین ترکیب این سه نوع ویژگی قدرت یادگیری GNN را افزایش میدهد.

بر اساس آزمایش های گسترده، SEAL به طور بی سابقه ای در برابر طیف وسیعی از روش های پایه، از جمله روش های متفاوت پیش بینی لینک نظیر روش های اکتشافی (هیوریستیک) و روش های جاسازی شبکه عملکرد بسیار قوی را نشان داده است. همچنین در این مقاله ما پیش بینی لینک را برای شبکه نویسندگی مشترک با استفاده از شبکه عصبی گراف تجزیه و تحلیل نمودیم.

 

فهرست پایان نامه پیش بینی لینک در شبکه های اجتماعی

فصل ۱ : پیش بینی لینک، کاربردها و ضرورت حل مسئله

۱ – ۱ پیش بینی لینک در شبکه اجتماعی (link prediction)

۱ – ۲ کاربردهای پیش بینی لینک

۱ – ۳ اشاره ای به دو مسئلهٔ شبیه به پیش بینی لینک

۱ – ۳ – ۱ کشف ارتباطات مفقوده

۱ – ۳ – ۲ مسئلهٔ پیشنهاد بر اساس همکاری گروهی در سامانه های پیشنهاد دهنده

۱ – ۴ قابلیت های الگوریتم های پیش بینی ارتباطات یا Link Prediction

۱ – ۵ روش های مختلف پیش بینی لینک:

۱ – ۵ – ۱ روشهای پیش بینی لینک بدون ناظر:

۱ – ۵ – ۲ روش های پیش بینی لینک با ناظر:

۱ – ۶ الگوریتم های مطرح در حوزه پیش بینی لینک در شبکه های اجتماعی:

فصل ۲ : توضیح روش شبکه های عصبی در حل مسائل

۲ – ۱ شبکه عصبی چیست؟

۲ – ۲ شبکه های عصبی حقیقی و مصنوعی:

۲ – ۳ یک شبکه عصبی متشکل از چه چیزهایی است؟

۲ – ۴ شبکه عصبی چگونه یاد میگیرد؟

۲ – ۵ شبکه عصبی در عمل چگونه کار میکند؟

۲ – ۶ از شبکه های عصبی برای چه کاری استفاده میشود؟

۲ – ۷ شبکه های عصبی مصنوعی ANN

۲ – ۸ الگوریتم های یادگیری:

فصل ۳ : ارائه مقالاتی از کاربرد شبکه عصبی در حل مسئلهٔ پیش بینی لینک

۳ – ۱ پیش بینی پیوند بر اساس شبکه عصبی گراف

۳ – ۱ – ۱ چکیده:

۳ – ۱ – ۳ مقدماتی

۳ – ۱ – ۳ – ۱ : امتیازات اکتشافی برای پیش بینی لینک:

۳ – ۱ – ۳ – ۲ ماشین عصبی Weisfeiler-Leman

۳ – ۱ – ۴ – ۲ تعبیه شبکه

۳ – ۱ – ۳ چارچوب SEAL

۳ – ۱ – ۳ – ۱ استخراج زیر گراف محصور

• شاخص Katz :
• PageRank
• سایر ویژگی های مرتبه بالا

۳ – ۱ – ۳ – ۲ ساخت ماتریس اطلاعات گره

• برچسب زدن به گره
• تعبیه گره با تزریق منفی

۳ – ۱ – ۳ – ۳ یادگیری شبکه عصبی گراف (GNN)

۳ – ۱ – ۴ . نتایج تجربی

۳ – ۱ – ۴ – ۱ آزمایش ها بر روی شبکه ها با اندازه متوسط

۳ – ۱ – ۴ – ۲ آزمایش های انجام شده بر روی شبکه های متوسط تا بزرگ

۳ – ۱ – ۵ نتیجه گیری

۳ – ۲ پیش بینی پیوند در شبکه های اجتماعی: رویکرد شبکه عصبی مبتنی برامتیاز شباهت

۳ – ۲ – ۱ خلاصه:

۳ – ۲ – ۲ مقدمه و پیش زمینه

۳ – ۲ – ۳ پیشبینی لینک:

۳ – ۲ – ۳ – ۱ استراتژیهای مبتنی بر تشابه

۳ – ۲ – ۳ – ۲ الگوریتم بیشینه و حداکثر احتمال

۳ – ۲ – ۳ – ۳ روش احتمالی/ یادگیری نظارتشده

۳ – ۲ – ۴ تشابه پیوند و معیارهای مربوط به داده های شبکه نویسندگی مشترک

• سطح تشابه
• معیارهای مربوط به داده های شبکهٔ نویسندگی مشترک
• الف. معیارهای مبتنی بر مجاورت و نزدیکی :
• ب. معیارهای تجمع یا اجتماع:

۳ – ۲ – ۵ روش پیشنهادی برای پیش بینی پیوند بر اساس شباهت گره شبکه عصبی

• الگوریتم پیشنهادی مبتنی بر روش SimRank که اندازه گیری شباهت مبتنی بر پیوند هست

۳ – ۲ – ۶ الگوریتم پیشنهادی:

• شکل ۳ – ۱۱ فلوچارت الگوریتم پیشنهادی

۳ – ۲ – ۷ نتیج گیری:

۳ – ۲ – ۸ کار آینده

۳ – ۳ الگوریتم پیشبینی لینک برای شبکه های نویسندگی مشترک با استفاده از شبکه عصبی

۳ – ۳ – ۱ مقدمه

۳ – ۳ – ۲ پیش زمینه

۳ – ۳ – ۳ روش پیشنهادی

۳ – ۳ – ۴ آزمایش ها

۳ – ۳ – ۵ نتیجه گیری و تجزیه و تحلیل

۳ – ۳ – ۶ نتیجه

فصل ۴ : جمع بندی

۴ – ۱ روش های اکتشافی برای پیش بینی لینک:

۴ – ۲ ماشین عصبی Weisfeiler-Leman (WLNM)

۴ – ۳ تعبیه شبکه

۴ – ۴ چارچوب SEAL