فایل ورد کامل روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر

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 روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۰ صفحه

پیش بینی پیوند یک چالش بزرگ در شبکه های اجتماعی است که از ساختار شبکه ای برای پیش بینی پیوندهای آتی استفاده می کند. روش های رایج پیش بینی پیوند برای پیش بینی پیوندهای مخفی از نمایش گراف ایستا استفاده می کنند که در آن تصویری از شبکه برای یافتن پیوندهای آتی یا مخفی مورد استفاده قرار می گیرد. برای مثال، پیش بینی پیوند مبتنی بر معیار تشابه، روش سنتی رایجی است که معیار تشابه را برای تمامی پیوندهای غیرمتصل محاسبه نموده، پیوندها را براساس معیارهای تشابه آنها مرتب نموده و پیوندهای با امتیاز تشابه بالاتر را به عنوان پیوندهای آتی برچسب گذاری می کند. از آنجاکه فعالیت های افراد در شبکه های اجتماعی، پویا و غیرقطعی است، و ساختار شبکه ها با گذشت زمان تغییر می کند، استفاده از گراف های قطعی برای مدلسازی و تحلیل شبکه ی اجتماعی نمی تواند روش مناسبی باشد. در مسأله ی پیش-بینی پیوند سری های زمانی، احتمال وقوع پیوند سری های زمانی برای پیش بینی پیوندهای آتی مورد استفاده قرار می گیرد. ما در این مقاله یک روش پیش بینی پیوند سری های زمانی مبتنی بر اتوماتای یادگیر را پیشنهاد می کنیم. در الگوریتم پیشنهادی برای هر پیوندی که قرار است پیش بینی شود، یک اتوماسیون یادگیری داریم و هر اتوماسیون یادگیری در تلاش است وجود یا عدم وجود پیوند متناظر را پیش بینی کند. برای پیش بینی احتمال وقوع پیوند در زمان T، یک دنباله ی متشکل از مراحل ۱ تا T-1 داریم و اتوماسیون یادگیری این مراحل را می پیماید تا وجود یا عدم وجود پیوند مربوطه را بیاموزد. زمانیکه احتمال وقوع پیوند سری های زمانی را در نظر بگیریم، آزمایشات اولیه ی پیش بینی پیوند با شبکه های ایمیل و نویسندگی مشترک، نتایج رضایت بخشی را فراهم می آورد.

کلیدواژه ها: شبکه ی اجتماعی | پیش بینی پیوند | سری های زمانی | اتوماتای یادگیر

عنوان انگلیسی:

A Novel Time Series Link Prediction Method: Learning Automata Approach

~~en~~ writers :

Behnaz Moradabadi and Mohammad Reza Meybodi

Link prediction is a main social network challenge that uses the network structure to predict future links. The common link prediction approaches to predict hidden links use a static graph representation where a snapshot of the network is analyzed to find hidden or future links. For example, similarity metric based link predictions are a common traditional approach that calculates the similarity metric for each non-connected link and sort the links based on their similarity metrics and label the links with higher similarity scores as the future links. Because people activities in social networks are dynamic and uncertainty, and the structure of the networks changes over time, using deterministic graphs for modeling and analysis of the social network may not be appropriate. In the time-series link prediction problem, the time series link occurrences are used to predict the future links In this paper, we propose a new time series link prediction based on learning automata. In the proposed algorithm for each link that must be predicted there is one learning automaton and each learning automaton tries to predict the existence or non-existence of the corresponding link. To predict the link occurrence in time , there is a chain consists of stages 1 through and the learning automaton passes from these stages to learn the existence or non-existence of the corresponding link. Our preliminary link prediction experiments with co-authorship and email networks have provided satisfactory results when time series link occurrences are considered.

Keywords: Social Network | Link Prediction | Time Series | Learning Automata.

$$en!!