فایل ورد کامل الگوریتم مبتنی بر نمونه جهت پیش بینی اتصال در شبکه های زمانی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل الگوریتم مبتنی بر نمونه جهت پیش بینی اتصال در شبکه های زمانی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۰ صفحه

۷- نتایج و آثار آتی
ما به بررسی مسئله پیش بینی اتصال در شبکه های زمانی پرداختیم. در این مقاله الگوریتم پیش بینی اتصال پرسرعت پیش بینی اتصال راس زمان جدی را مطرح کردیم که از طریق گام های تصادفی در شبکه های زمانی به نتایج پیش بینی باکیفیت دست می یابد. این روش برای بار اول گراف فرعی با محوریت در هر گره ساختاربندی می کند. برای محدود کردن خطای تشابه srw برآوردی درون آستانه مد نظر ، اندازه مناسب هر گراف فرعی با استفاده از بعد وی اس، در نظر گرفتیم. زمان محاسبه را می توان کاهش داد چون الگوریتم پیش بینی اتصال راس زمان جدی امتیاز تشابه را فقط درون گراف فرعی کوچک برآورد می کند. در حالی که دیگر روش های شاخص محور نیمه جهانی نیاز به زمان O(n3) دارند الگوریتم ما می تواند به نتایج باکیفیت در زمان O(n2) دست یابد. برای پیش بینی بر اساس تشابه O(n2) کران پایین تر زمان محاسبه است. لذا الگوریتم پیش بینی اتصال راس زمان جدی به پیچیدگی زمانی بهینه می رسد. نتایج تجربی در چند شبکه حقیقی نشان داده اند که الگوریتم پیش بینی اتصال راس زمان جدی می تواند به کارایی محاسباتی برتر دست یابد ضمن آنکه دقت نتایج پیش بینی را در سطح بالا نگه می دارد

عنوان انگلیسی:Sampling-based algorithm for link prediction in temporal networks~~en~~

۷ Conclusions and future works

We investigated the problem of link prediction in temporal networks. In this work, we present a fast link prediction algorithm TS-VLP that can achieve high-quality prediction results via random walks in temporal networks. The method first constructs a sub-graph centered at each node. To confine the error of the estimated SRW similarities within a given threshold , we select a proper size of such sub-graph using the Vapnik–Chervonenkis dimension. The computation time can be greatly reduced, since the algorithm TS-VLP estimates the similarity score only within a small sub-graph. While other quasiglobal index-based methods require O(n3) time, our algorithm can obtain high-quality results in only O(n2) time. For a similarity-based prediction, O(n2) is the lower bound of computation time. Therefore, algorithm TS-VLP reached the optimal time complexity. Experimental results on several real networks have shown that our algorithm TS-VLP can achieve superior computational efficiency while keeping high accuracy of link prediction results.

$$en!!