یک چارچوب برای پیش بینی پیوند با استفاده از نشاننده و شبکه عصبی هم آمیختی

امروزه استفاده از نشاننده گره‌های شبکه، کاربردهای بسیاری را در تحلیل شبکه‌های پیچیده پیدا کرده است؛ نشاننده یک گره، برداری است که این گره را در یک فضای جدید برداری نمایش می‌دهد. یافتن یک نمایش برداری مناسب برای گره‌های شبکه را یادگیری بازنمایی شبکه می‌نامند که در آن گره‌های شبیه در شبکه باید چنان در فضای برداری نمایش داده شوند که در آن فضا نیز به هم شبیه باشند و فاصله میان نشاننده گره‌های شبیه در فضای جدید کم باشد. Node2vec یکی از روش‌های رایج برای یافتن نشاننده گره‌های شبکه است. با فرض داشتن نشاننده‌ها، مسئله تحلیل در شبکه‌های پیچیده می‌تواند تبدیل به مسئله دیگری در فضای برداری شود. در این مقاله، یک چارچوب سه مرحله‌ای، با نام DenseNet-LP پیشنهاد می‌شود که در آن مسئله پیش‌بینی پیوند در شبکه‌های پیچیده با مسئله رده‌بندی در فضای برداری جابجا می‌شود. در مرحله اول، نشاننده گره‌ها با روش Node2vec به‌دست می‌آید. در مرحله دوم DenseNet-LP، با استفاده از نشاننده‌ها، به ازای هر گره یک ماتریس ساخته می‌شود تا در مرحله بعدی مورد استفاده قرار گیرد. در مرحله آخر DenseNet-LP، ماتریس مرتبط با دو گره متفاوت به یک شبکه ‌عصبی داده می‌شود تا مسئله رده‌بندی را حل کند؛ آیا میان این دو گره پیوند وجود دارد (رده اول) یا وجود ندارد (رده دوم)؟ همچنین در این مقاله، در کنار مقایسه روش‌های متفاوت یادگیری بازنمایی شبکه با Node2vec، نسخه جدیدی از این روش نیز پیشنهاد شده است که کارآیی بالاتری در حل مسئله پیش‌بینی پیوند دارد.