چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2007876 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
807 Kb
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر
عنوان انگليسي
A novel time series link prediction method: Learning automata approach
نویسنده/ناشر/نام مجله
Physica A: Statistical Mechanics and its Applications
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 16 صفحه انگلیسی به صورت پی دی اف و 27 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
پیشبینی پیوند یک چالش بزرگ در شبکه های اجتماعی است که از ساختار شبکه ای برای پیشبینی پیوندهای آتی استفاده میکند. روشهای رایج پیشبینی پیوند برای پیشبینی پیوندهای مخفی از نمایش گراف ایستا استفاده میکنند که در آن تصویری از شبکه برای یافتن پیوندهای آتی یا مخفی مورد استفاده قرار میگیرد. برای مثال، پیشبینی پیوند مبتنی بر معیار تشابه، روش سنتی رایجی است که معیار تشابه را برای تمامی پیوندهای غیرمتصل محاسبه نموده، پیوندها را براساس معیارهای تشابه آنها مرتب نموده و پیوندهای با امتیاز تشابه بالاتر را به عنوان پیوندهای آتی برچس بگذاری میکند. از آنجاکه فعالیتهای افراد در شبکه های اجتماعی، پویا و غیرقطعی است، و ساختار شبکه ها با گذشت زمان تغییر میکند، استفاده از گراف های قطعی برای مدلسازی و تحلیل شبکه ی اجتماعی نمیتواند روش مناسبی باشد. در مسأله ی پیشبینی پیوند سری های زمانی، احتمال وقوع پیوند سری های زمانی برای پیشبینی پیوندهای آتی مورد استفاده قرار میگیرد. ما در این مقاله یک روش پیشبینی پیوند سری های زمانی مبتنی بر اتوماتای یادگیر را پیشنهاد میکنیم. در الگوریتم پیشنهادی برای هر پیوندی که قرار است پیشبینی شود، یک اتوماسیون یادگیری داریم و هر اتوماسیون یادگیری در تلاش است وجود یا عدم وجود پیوند متناظر را پیشبینی کند. برای پیشبینی احتمال وقوع پیوند در زمان T، یک دنباله ی متشکل از مراحل 1 تا T-1 داریم و اتوماسیون یادگیری این مراحل را میپیماید تا وجود یا عدم وجود پیوند مربوطه را بیاموزد. زمانیکه احتمال وقوع پیوند سری های زمانی را در نظر بگیریم، آزمایشات اولیه ی پیشبینی پیوند با شبکه های ایمیل و نویسندگی مشترک، نتایج رضایت بخشی را فراهم می آورد.
1-مقدمه
پیشبینی ایجاد پیوند بین اشیاء داده، کار جالبی در حوزه ی پژوهشی داده کاوی است. پیشبینی ایجاد هایپرلینک وب، پیشبینی ژنتیکی، برهمکنش های پروتئین-پروتئین، و مسأله ی ایجاد پیوند بین داده ها، مثال هایی از این حوزه هستند. در مسأله ی پیشبینی پیوند، نمود داده ها به صورت نمایش شبکه/گراف است. این داده ها را میتوان به شکل گراف تجسم نمود، در این گراف، هر رأس متناظر با یک فرد بوده و هر پیوند، فرمی از تناظر بین افراد مرتبط را نشان میدهد [1، 2]. مفهوم پیوند در شبکه ی اجتماعی معمولاً یک تقاطع مشترک از شبکه ی اجتماعی متناظر است...
شبکه اجتماعی پیش بینی پیوند سری های زمانی اتوماتای یادگیر
:کلمات کلیدی
Abstract
Link prediction is a main social network challenge that uses the network structure to predict future links. The common link prediction approaches to predict hidden links use a static graph representation where a snapshot of the network is analyzed to find hidden or future links. For example, similarity metric based link predictions are a common traditional approach that calculates the similarity metric for each non-connected link and sort the links based on their similarity metrics and label the links with higher similarity scores as the future links. Because people activities in social networks are dynamic and uncertainty, and the structure of the networks changes over time, using deterministic graphs for modeling and analysis of the social network may not be appropriate. In the time-series link prediction problem, the time series link occurrences are used to predict the future links. In this paper, we propose a new time series link prediction based on learning automata. In the proposed algorithm for each link that must be predicted, there is one learning automaton and each learning automaton tries to predict the existence or non-existence of the corresponding link. To predict the link occurrence in time T, there is a chain consists of stages 1 throughT-1 and the learning automaton passes from these stages to learn the existence or non-existence of the corresponding link. Our preliminary link prediction experiments with co-authorship and email networks have provided satisfactory results when time series link occurrences are considered.
Keywords:
Social Network Link Prediction Time Series Learning Automata.
سایر منابع مهندسی کامپیوتر و IT در زمینه اتوماتای