یک روش پیش‌بینی پیوند مبتنی بر همسایه برای شبکه دوبخشی
محورهای موضوعی :
گلشن سندسی
1
,
علیرضا صائبی
2
,
سید علیرضا هاشمی گلپایگانی
3
*
1 - دانشجو
2 - دانشجو
3 - هیات علمی
کلید واژه: نظریه گراف, تحلیل شبکه اجتماعی, شبکه دوبخشی, پیش‌بینی پیوند, پیش‌بینی پیوند در شبکه دوبخشی,
چکیده مقاله :
پیش‌بینی پیوند، یکی از روش‌های تحلیل شبکه اجتماعی است. شبکه های دوبخشی یکی از انواع شبکه های پیچیده هستند که بسیاری از وقایع طبیعی، با استفاده از آن قابل مدل شدن هستند. در این مقاله، روشی برای پیش‌بینی پیوند در شبکه دوبخشی ارائه شده‌است. با توجه به اینکه روش‌های پیش‌بینی پیوند در شبکه یک بخشی برای استفاده در شبکه دوبخشی کارایی پایینی دارند و کارآمد نیستند، نیاز است برای حل این مسئله از روش‌هایی مختص شبکه دوبخشی استفاده شود. هدف این پژوهش، ارائه روشی جدید، متمرکز و جامع مبتنی بر همسایه است، که عملکردی بهتر از روش‌های کلاسیک موجود داشته باشد. روش پیشنهادی از ترکیب معیارهایی بر اساس همسایگی تشکیل شده‌است. معیارهای کلاسیک پیش‌بینی پیوند با اعمال تغییراتی برای شبکه دوبخشی تعریف شده‌اند. این معیارهای تغییر یافته، ارکان اصلی معیار پیشنهادی را تشکیل می‌دهند. این روش علاوه بر سادگی و پیچیدگی پایین، از کارایی بالایی برخوردار است و روش‌های کلاسیک مبتنی بر همسایه را در مجموعه داده‌های مورد بررسی به طور میانگین بیش از ۱۵٪ بهبود داده است.
Social network analysis’ link prediction has a diverse range of applications in different areas of science. Bipartite networks are a kind of complex network, which can be used to describe various real-world phenomena. In this article, a link prediction method for bipartite network is presented. Uni-partite link prediction methods are not effective and efficient enough to be applied to bipartite networks. Thus, to solve this problem, distinct methods specifically designed for bipartite networks are required. The proposed method is neighbor based and consisted of measures of such. Classic uni-partite link prediction measures are redefined to be compatible with bipartite network. Subsequently, these modified measures are used as the basis of the presented method, which in addition to simplicity, has high performance rates and is superior to other neighbor-based methods by 15% in average.
M. Newman, Networks. Oxford university press, 2018.
[2] A. Alamsyah, “Social network data analytics for market segmentation in indonesian telecommunications industry,” 2017, pp. 1–5.
[3] O. Allali, C. Magnien, and M. Latapy, “Link prediction in bipartite graphs using internal links and weighted projection,” 2011, pp. 936–941.
[4] P. Wang, B. Xu, Y. Wu, and X. Zhou, “Link prediction in social networks: the state-of-the-art,” Science China Information Sciences, vol. 58, no. 1, pp. 1–38, 2015.
[5] V. Martínez, F. Berzal, and J.-C. Cubero, “A survey of link prediction in complex networks,” ACM computing surveys (CSUR), vol. 49, no. 4, pp. 1–33, 2016.
[6] E. Gündoğan and B. Kaya, “A recommendation method based on link prediction in drug-disease bipartite network,” 2017, pp. 125–128.
[7] E. Gündoğan and B. Kaya, “A link prediction approach for drug recommendation in disease-drug bipartite network,” 2017, pp. 1–4.
[8] S. Aslan, B. Kaya, and M. Kaya, “Predicting potential links by using strengthened projections in evolving bipartite networks,” Physica A: Statistical Mechanics and its Applications, vol. 525, pp. 998–1011, 2019.
[9] S. Aslan and B. Kaya, “Time-aware link prediction based on strengthened projection in bipartite networks,” Information Sciences, vol. 506, pp. 217–233, 2020.
[10] Y.-J. Chang and H.-Y. Kao, “Link prediction in a bipartite network using wikipedia revision information,” 2012, pp. 50–55.
[11] S. Xia, B. Dai, E.-P. Lim, Y. Zhang, and C. Xing, “Link prediction for bipartite social networks: The role of structural holes,” 2012, pp. 153–157.
[12] M. Medo, M. S. Mariani, and L. Lü, “Link prediction in bipartite nested networks,” Entropy, vol. 20, no. 10, p. 777, 2018.
[13] C. Zhang, E. Chan, and A. Abdulhamid, “Link prediction in bipartite venture capital investment networks,” CS224-w report, Stanford, 2015.
[14] W. Wang, X. Chen, P. Jiao, and D. Jin, “Similarity-based regularized latent feature model for link prediction in bipartite networks,” Scientific reports, vol. 7, no. 1, pp. 1–12, 2017.
[15] X. Chen, D. Xie, L. Wang, Q. Zhao, Z.-H. You, and H. Liu, “BNPMDA: bipartite network projection for MiRNA–disease association prediction,” Bioinformatics, vol. 34, no. 18, pp. 3178–3186, 2018.
[16] D. Zhao, L. Zhang, and W. Zhao, “Genre-based link prediction in bipartite graph for music recommendation,” Procedia Computer Science, vol. 91, pp. 959–965, 2016.
[17] F. Xie, Z. Chen, J. Shang, X. Feng, and J. Li, “A link prediction approach for item recommendation with complex number,” Knowledge-Based Systems, vol. 81, pp. 148–158, 2015.
[18] Y. Cui, L. Zhang, Q. Wang, P. Chen, and C. Xie, “Heterogeneous network linkage-weight based link prediction in bipartite graph for personalized recommendation,” Procedia Computer Science, vol. 91, pp. 953–958, 2016.
[19] Y. Luo, Q. Liu, W. Wu, F. Li, and X. Bo, “Predicting drug side effects based on link prediction in bipartite network,” 2014, pp. 729–733.
[20] L. Zhang, J. Li, Q. Zhang, F. Meng, and W. Teng, “Domain knowledge-based link prediction in customer-product bipartite graph for product recommendation,” International Journal of Information Technology & Decision Making, vol. 18, no. 01, pp. 311–338, 2019.
[21] M. Koptelov, A. Zimmermann, B. Crémilleux, and L. Soualmia, “Link prediction via community detection in bipartite multi-layer graphs,” 2020, pp. 430–439.
[22] D. B. Larremore, A. Clauset, and A. Z. Jacobs, “Efficiently inferring community structure in bipartite networks,” Physical Review E, vol. 90, no. 1, p. 012805, 2014.
[23] G. Salton and J. Michael, “McGill,” Introduction to modern information retrieval, vol. 1, no. 4.1, pp. 4–1, 1986.
[24] A.-L. Barabâsi, H. Jeong, Z. Néda, E. Ravasz, A. Schubert, and T. Vicsek, “Evolution of the social network of scientific collaborations,” Physica A: Statistical mechanics and its applications, vol. 311, no. 3–4, pp. 590–614, 2002.
[25] T. Zhou, L. Lü, and Y.-C. Zhang, “Predicting missing links via local information,” The European Physical Journal B, vol. 71, no. 4, pp. 623–630, 2009.
[26] E. A. Leicht, P. Holme, and M. E. Newman, “Vertex similarity in networks,” Physical Review E, vol. 73, no. 2, p. 026120, 2006.
[27] L. A. Adamic and E. Adar, “Friends and neighbors on the web,” Social networks, vol. 25, no. 3, pp. 211–230, 2003.