دانلود ترجمه مقاله SAM: معیار مشابهت جهت پیش بینی پیوند در شبکه اجتماعی

1. مقدمه 2. مروری بر مقالات 3. روش تحقیق 4. آزمایشات تجربی و نتایج 5. نتیجه گیری

چکیده – امروزه، پژوهش در زمینه تحلیل شبکه های اجتماعی، توجه اکثر پژوهشگران را به خود جلب کرده است. از بسیاری از مسائل تحلیل شبکه های اجتماعی، پیش بینی پیوند، بخاطر تعداد رو به رشد کاربران شبکه های اجتماعی، توجه زیادی را به خود جلب کرده است. پیش بینی لینک یا پیوند، به معنای پیش بینی آن است که کدام تعامل جدید قرار است در آینده رخ دهد. روش های پیش بینی لینک سنتی ، جفت گره را به عنوان یک واحد در نظر می گرفتند و براساس اشتراکات بین آنها تصمیم گیری می کردند. این استدلال را بیان کردیم که هر دو گره یک جفت، با همدیگر تشابهات خاص خود را دارند. ممکن است به این صورت باشد که یک نفر 100% به دیگری شبیه باشد، اما شخص دیگر به آن اندازه شبیه به اولی نباشد. علاوه بر آن، یک معیار شباهت SAM برای پیش بینی لینک در شبکه های اجتماعی را پیشنهاد دادیم. شباهت SAM را با چهار روش پیش بینی لینک نوین دیگر (یعنی Jaccard، Salton Inex، Salton Cosine و تخصیص منابع) مقایسه کردیم. اجراهای تجربی در این مقاله برروی پنج دیتاست مختلف (یعنی Astro، CondMat، GrQc، HepPh و HepTh)، انجام شدند. نتایج ما نشان دادند که SAM عملکرد بهتری نسبت به بقیه فنون پیش بینی لینک برروی همه دیتاست ها داشت. مقدمه: روند رو به رشد در شبکه سازی اجتماعی، زندگی های ما و کسب و کار جهان را هر روز تغییر داده است [13]، و این موضوع در پژوهش های اخیر به بحث گذاشته شده است. شبکه اجتماعی، مکانی است که دو یا چند نفر که دارای رابطه مشترک عستند، می آیند و اطلاعات خود را به اشتراک می گذارند، دیدگاه خود را مبادله می کنند، بحث می کنند و همدیگر را فالو می کنند. شبکه های اجتماعی می توانند از طریق تماس های رودرو ، آفلاین باشند [14]، مانند مدارس، دانشگاه ها، کنفرانس ها و دیگر مکان های عمومی، اما با استفاده از تویتر [15]، فیسبوک [16]، گوگل پلاس و لینکداین، می توانند آنلاین باشند. شبکه اجتماعی، یک گراف اجتماعی است که در آن افراد به صورت گره نشان داده می شوند، و تماس آنها، یال بین آنها می باشد. این یال در گراف اجتماعی بدان معناست که با همدیگر در ارتباط یا تعامل هستند، حتی اگر از نظر جغرافیایی از همدیگر دور باشند. از چند سال گذشته، جذابیت مردم به سمت شبکه های اجتماعی، مانند فیس بوک و تویتر، فرصت های بسیاری برای محققان جهت مطالعه و تحلیل مشخصات شبکه اجتماعی و همچنین جنبه های مختلف رفتار انسانی در کل شبکه اجتماعی، بوجود آورده است. تحلیل شبکه اجتماعی، به مردم در شناسایی افراد دارای علایق مشترک و جوامع مربوطه آنها، کمک می کند [17]. علاوه بر آن، می توانیم بفهمیم که چگونه جوامع ساخته می شوند و در شبکه اجتماعی مردم چگونه با هم در تعامل هستند.

Research in the field of social network analysis attracting majority of the researchers nowadays. Out of many social network analysis problems, link prediction gaining high attention due to a growing number of social network users. Link prediction is a task to predict which new interaction is going to be occurring in the future. Traditional link prediction techniques considered pair of node as one unit and make decisions based on the commonality between them. We argued that both nodes in a pair have their own similarity to each other. It may be that one person is 100% similar to another, but the other person is not the same as the first. Moreover, we have proposed a similarity measure SAM for link prediction in the social network. We have compared SAM similarity with four other state-of-the-art link prediction techniques (i.e., Jaccard, Salton Index, Salton Cosine and Resource Allocation). The experiments in this paper are performed on five different datasets (i.e., Astro, CondMat, GrQc, HepPh and HepTh). Our results show that SAM performs better than rest of the link prediction techniques on all datasets. INTRODUCTION: The growing trend towards social networking is changing our lives and global business on a daily basis [13], which has been addressed in recent research. The social network is a place where two or more than two people having some relationship come and share their information, exchange views, make discussion and follows each other. Social networks can be off-line through face-to-face contacts [14] in schools, universities, conferences and other public places but it can be on-line by using Twitter [15], Face book [16], Google+ and LinkedIn. Social network is a social graph where people are represented as nodes and their contact is the edge between them. The edge in the social graph means they communicate or interact with each other even if they are geographically distant from each other. From the past few years, the attractiveness of people towards social networks such as Face book and Twitter have created many oopportunities for researchers to study and analyze characteristics of social network as well as various aspects of human behaviourr throughout the social network. Analysis of social network provides help to people in identifying individuals with mutual interest and their respective communities [17]. Moreover, we can find how communities build and how people interact to each other in social network.