خوش آمدید

جستجو

تبلیغات





پیش بینی لینک سریع و دقیق در سیستم های شبکه اجتماعی

    link prediction 

    Fast and accurate link prediction in social networking systems

    پروسه پیش بینی لینک سریع و دقیق در سیستم های شبکه اجتماعی 

     

    Download

     

    Abstract

     Online social networks (OSNs) recommend new friends to registered users based on local-based features of the graph (i.e. based on the number of common friends that two users share). However, OSNs do not exploit all different length paths of the network. Instead, they consider only pathways of maximum length 2 between a user and his candidate friends. On the other hand, there are global-based approaches, which detect the overall path structure in a network, being computationally prohibitive for huge-sized social networks. In this paper we provide friend recommendations, also known as the link prediction problem, by traversing all paths of a limited length, based on the “algorithmic small world hypothesis”. As a result, we are able to provide more accurate and faster friend recommendations. We also derive variants of our method that apply to different types of networks (directed/undirected and signed/unsigned). We perform an extensive experimental comparison of the proposed method against existing link prediction algorithms, using synthetic and three real data sets (Epinions, Facebook and Hi5). We also show that a significant accuracy improvement can be gained by using information about both positive and negative edges. Finally, we discuss extensively various experimental considerations, such as a possible MapReduce implementation of FriendLink algorithm to achieve scalability.

    Keywords - Link prediction, Friend recommendation, Social networks

     

    پیشنهاد لینک

    چکیده

    شبکه های اجتماعی آنلاین (OSNs)، بر اساس ویژگی های محلی (local) گراف (یعنی بر اساس تعداد دوستان مشترک دو کاربر)، دوستان جدیدی را به کاربران ثبت شده در شبکه  پیشنهاد می کنند. با این وجود، شبکه های اجتماعی آنلاین از تمامی مسیرهای با طول های مختلف در شبکه، استفاده نمی کنند. در عوض این شبکه ها، صرفا مسیرهایی با طول حداکثر 2 را میان یک کاربر و دوستان بالقوه او در نظر می گیرند. از سوی دیگر راهکارهای سراسری و فراگیر (global) وجود دارند که کل ساختار مسیر در یک شبکه را شناسایی می کنند و استفاده از آنها در شبکه های اجتماعی با ابعاد بزرگ به لحاظ محاسباتی با موانعی همراه است. ما در این مقاله پروسه پیشنهاد دوست را ارائه می نماییم که به "مساله پیش بینی لینک" نیز مشهور می باشد. ما در اینجا با استفاده از "فرضیه جهان کوچک الگوریتمی" تمامی مسیرهای با یک طول محدود را می پیماییم. در نتیجه می توانیم پیشنهادهای دوستی دقیق تر و سریعتری را ارائه نماییم. همچنین انواع مختلفی از روش خود را استنتاج می نماییم که می توان از آنها در انواع شبکه ها (جهتدار/ بدون جهت، علامتدار/بدون علامت) استفاده کرد. ما با استفاده از مجموعه داده های ساختگی و سه مجموعه داده های واقعی (Epinions،Facebook ، Hi5) یک مقایسه تجربی جامع میان روش پیشنهادی خود و الگوریتم های موجود پیش بینی لینک انجام می دهیم. بعلاوه ما نشان می دهیم که با استفاده از اطلاعات مربوط به یال های مثبت و منفی، می توان بهبود قابل ملاحظه ای در دقت پیش بینی ها حاصل نمود. در نهایت نیز به صورت گسترده ملاحظات تجربی مختلف نظیر امکان پیاده سازی الگوی پردازشی MapReduce را در مورد الگوریتم FriendLink  جهت حصول قابلیت مقیاس پذیری، بررسی می کنیم.

    کلمات کلیدی -  پیش بینی لینک، پیشنهاد دوستی، شبکه های اجتماعی

     

     

     


    این مطلب تا کنون 15 بار بازدید شده است.
    منبع
    برچسب ها : شبکه ,استفاده ,بینی ,based ,اجتماعی ,link ,link prediction ,social networks ,بینی لینک ,مجموعه داده ,تمامی مسیرهای ,
    پیش بینی لینک سریع و دقیق در سیستم های شبکه اجتماعی

تبلیغات


    محل نمایش تبلیغات شما

پربازدیدترین مطالب

آمار

تبلیغات

محل نمایش تبلیغات شما

تبلیغات

محل نمایش تبلیغات شما

آخرین کلمات جستجو شده

تگ های برتر