|
Title
|
پیش بینی لینک در شبکه های نامتجانس پیچیده با استفاده از تقسیم بندی و تحلیل ساختاری زیرگراف و تکنیکهای یادگیری عمیق
|
|
Type of Research
|
Thesis
|
|
Keywords
|
پیش بینی لینک، شبکه های نامتجانس، تقسیم بندی زیرگراف، یادگیری ماشین،تحلیل شبکه، گراف های پیچیده
|
|
Abstract
|
پیش بینی لینک در شبکه های نامتناجس نه تنها چالشی پژوهشی است بلکه کاربردهای گسترده ای در زمینه های متنوع مانند تحلیل شبکه های اجتماعی، سیستم های توصیه گر و بیوانفورماتیک دارد. در شبکه های اجتماعی، پیش بینی لینک می تواند به پیشنهاد دوستان جدید، تقویت ارتباطات، و شناسایی روابط پنهان کمک کند. در حوزه زیست شناسی، این تکنیک برای کشف تعاملات پروتئین ها و شناسایی مسیرهای زیستی جدید استفاده می شود. همچنین در سیستم های توصیه گر، پیش بینی لینک نقشی کلیدی در بهبود پیشنهادات شخصی سازی شده و افزایش رضایت کاربران دارد. ضرورت پیش بینی لینک در شبکه های نامتجانس به دلیل پیچیدگی و تنوع ساختاری این شبکه ها بیش از پیش احساس می شود. این شبکه ها شامل انواع مختلف گره ها و یال ها هستند که هرکدام معانی و ویژگی های خاص خود را دارند. بنابراین، روش های ساده و ایستا قادر به شناسایی روابط پیچیده و معنایی میان اجزا نیستند و نیاز به رویکردهای پیشرفته تری وجود دارد که بتوانند این روابط را مدل سازی کنند. تحقیق حاضر از این جهت اهمیت دارد که با استفاده از تحلیل زیرگراف ها و تکنیک های یادگیری عمیق، مدلی نوین برای پیش بینی لینک ارائه می دهد. این مدل قادر خواهد بود اطلاعات زمینه ای مرتبط با هر لینک را به طور دقیق استخراج کند و روابط غیرخطی و پیچیده میان گره ها را شناسایی کند. علاوه بر این، با کاهش زمان اجرا و بهبود دقت پیش بینی، این تحقیق می تواند گامی مؤثر در توسعه روش های پیشرفته برای تحلیل شبکه های نامتجانس باشد.
|
|
Researchers
|
(Student)، Asgarali Bouyer (Primary Advisor)، Esmaeil Nourani (Advisor)
|