فایل ورد کامل پیش بینی پیوندهای متمایز با استفاده سیگنال های جهانی، اجتماعی و محلی

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 پیش بینی پیوندهای متمایز با استفاده سیگنال های جهانی، اجتماعی و محلی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۱ صفحه

۶- نتیجه گیری
اثرگذاری های این مقاله شامل استفاده پیشنهادی از ویژگی های مبتنی بر گره محلی و ویژگی مبتنی بر دسته مشترک علاوه بر ویژگی های گراف محلی و جهانی است که مورد استفاده طرح های فعلی می باشد. همچنین به توصیف الگوریتم یادگیری دو سطحی پیش بینی پیوند می پردازیم. در سطح پایین تر مدل تشابه محلی را در بین یال ها می آموزیم. در سطح بالاتر این مورد را با سیگنال دسته بندی مشترک با اس وی ام می پردازیم.
اثر گذاری دیگر این مقاله آن است که ارزیابی نظام مند و جامع الگوریتم های پیش بینی پیوند متفاوت وجود دارد. همچنین آزمایشات خاصی برای درک نواحی ناکارآمدی الگوریتم های پیش بینی پیوند انجام می دهیم و اهمیت طرح یادگیری دو سطحی پیشنهادی و ویژگی های جدید مطرح شده برقرار سازیم. نشان میدهیم که الگوریتم ما به طور دائم بهتر از چهار خط مبنا قوی عمل می کند هنگامی که اطلاعات پیوند نه متراکم و نه پراکنده است.

عنوان انگلیسی:Discriminative Link Prediction using Local, Community and Global Signals~~en~~

۶ CONCLUSION

The contributions in this paper include proposing use of local node based features and co-clustering (community) based features, in addition to the local and global graph features used by existing schemes. We also described a new two-level learning algorithm for link prediction. At the lower level, we learn a local similarity model across edges. At the upper level, we combine this with co-clustering signals using a SVM. Another contribution of this paper is the extensive and systematic evaluation of different link-prediction algorithms. We also perform specific experiments to understand the areas of inefficiency of link prediction algorithms and consequently establish the importance of the proposed twolevel learning scheme, and the new features proposed here. We show that our algorithm consistently outperforms four strong baselines when link information is neither too sparse nor too dense.

$$en!!