پیش بینی سریع و دقیق لینک در سیستم های شبکه اجتماعی

ترجمه مقاله پیش بینی سریع و دقیق لینک در سیستم های شبکه اجتماعی

ترجمه مقاله Fast and accurate link prediction in social networking

در این بخش ترجمه مقاله پیش بینی سریع و دقیق لینک در سیستم های شبکه اجتماعی را برایتان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به طور کاملا رایگان دانلود کنید.

چکیده مقاله

شبکه های اجتماعی online، بر مبنای خصوصیات های محلی گراف دوستان جدیدی را به کاربرانی که در شبکه ثبت شدند معرفی می کند. از این رو، شبکه های اجتماعی online از کلیه ی مسیرها با طول های متفاوت در شبکه، استفاده نمی کنند. در مقابل این شبکه ها، مسیرهایی به طول حداکثر 2 را میان یک کاربر و دوستان در نظر می گیرند. از طرف دیگر روش های فراگیر و سراسری وجود دارند که کلیه ی ساختار مسیر در یک شبکه را شناسایی کرده و استفاده از آنها در سیستم های شبکه های اجتماعی با ابعاد زیاد به لحاظ محاسباتی با مشکلاتی همراه است. ما می خواهیم در این بخش از مقاله پروژه پیشنهاد دوست را ارائه دهیم که به “مساله پیش بینی لینک” نیز معروف است. ما با استفاده از “فرضیه جهان کوچک الگوریتمی” کلیه ی مسیرها را با یک طول محدود طی می کنیم. در پایان کار می توانیم نظرات دوستی دقیق تر و سریعتری را ارائه دهیم همچنین انواع مختلفی از روش خود را نتیجه گیری کنیم که می توان از آنها در انواع شبکه ها استفاده کرد.

مقدمه

شبکه های اجتماعی online مانند Facebook.com ، Myspace.com ، Hi5.com و غیره شامل چند گیگابایت داده است که می توان آنها را مورد بررسی قرار داد تا اینکه پیش بینی هایی درباره دوستی میان افراد ارائه نمود. شبکه های اجتماعی online ، اطلاعات کاربران را که مربوط به ارتباطات اجتماعی می شود را جمع آوری می کند یک شبکه اجتماع ارتباطات دو طرفه ای را ایجاد می کند؛ و با توجه به دوستان مشترک کاربران، سایر افراد را جهت دوستی به کاربران پیشنهاد می نمایند. پایه و اساس این نظرات این است که موجودیت ها احتمالا نسبت به یک دوست اجتماعی فاصله ای به اندازه چند قدم است که البته از آن اطلاعی ندارند.

چکیده انگلیسی

Online social networks (OSNs) recommend new friends to registered users based on local-based features of the graph (i.e. based on the number of common friends that two users share). However, OSNs do not exploit all different length paths of the network. Instead, they consider only pathways of maximum length 2 between a user and his candidate friends. On the other hand, there are global-based approaches, which detect the overall path structure in a network, being computationally prohibitive for huge-sized social networks. In this paper we provide friend recommendations, also known as the link prediction problem by traversing all paths of a limited length, based on the “algorithmic small world hypothesis.

As a result we are able to provide more accurate and faster friend recommendations. We also derive variants of our method that apply to different types of networks(directed/undirected and signed/unsigned). We perform an extensive experimental comparison of the proposed method against existing link prediction algorithms, using synthetic and three real data sets (Epinions, Facebook and Hi5). We also show that a significant accuracy improvement can be gained by using information about both positive and negative edges. Finally, we discuss extensively various experimental considerations, such as a possible MapReduce implementation of FriendLink algorithm to achieve scalability.