پیش بینی پیوند در شبکه های اجتماعی با استفاده از شبکه عصبی عمیق DNN

پیشبینی پیوند یک کار اساسی در زمینه هایی مانند تحلیل شبکه، بازیابی اطلاعات و بیوانفورماتیک است. معمولا روشهای پیشنهادی پیوند از ساختار پیوند یا ویژگی گره به عنوان منبع اطلاعات استفاده میکنند به تازگی، مدل موضوعی رابطه ای RTM و مدل های آن به عنوان روش های ترکیبی پیشنهاد شده است که به طور مشترک هر دو منبع اطلاعات را به دست میدهند و به دقت بسیار امیدوارکننده ای دست مییابند. بااین حال، بازنمایی ها (ویژگی ها) که توسط آنها آموزش می بینند، هنوز برای نشان دادن گره ها (اقلام) به اندازه کافی موثر نیستند. برای حل این مشکل ما پیشرفت های اخیر در یادگیری عمیق را برای مدلسازی توالی ویژگی ها به طور مشترک و خاص به کار بردیم. روش پیشنهادی یک چارچوب یادگیری عمیق بیزی را به صورت سلسله مراتبی دنبال میکند و از یک شبکه عصبی عمیق DNN استفاده میکند تا به طور مشترک ویژگی های گره های ابعادی و ساختار پیوند با لایه های متغیرهای پنهان را مدل کند. همچنین، از یک تولید گاوسی PoG در DNN استفاده شد تا ارتباطات مربوط به متغیرهای مختلف را در پیوندها قرار دهیم و یک الگوریتم توزیع عمومی را برای یادگیری متغیرها و پیش بینی پیوندها استخراج کنیم. آزمایش ها بر روی مجموعه داده های دنیای واقعی نشان میدهد که DNN بهطور قابل توجهی نسبت به روش های پایه برتری دارد و باعث بهبود روش های پیشین می شود

کلیدواژه ها:

پیشبینی پیوند ، شبکه های اجتماعی ، مدل موضوعی رابطهای ، شبکه عصبی عمیق DNN