ترجمه مقاله پیش بینی لینک توسط تجزیه ماتریس – سال 2011
مشخصات مقاله:
عنوان فارسی مقاله:
پیش بینی لینک توسط تجزیه ماتریس
عنوان انگلیسی مقاله:
Link Prediction via Matrix Factorization
کلمات کلیدی مقاله:
پیش بینی لینک، تجزیه ماتریس، اطلاع کناری، زیان رتبه بندی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر و مهندسی فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
شبکه های کامپیوتری، مهندسی نرم افزار
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مسئله پیش بینی لینک
1.1 چالش هایی در پیش بینی لینک
1.2- سهم ما در این مدل
1.3- تعریف مسئله و علامت ها
2. مدل های موجود برای پیش بینی لینک
2.1- آیا روش های موجود می توانند پاسخگوی چالش ها در پیش بینی لینک باشند؟
3- بسط دادن تجزیه ماتریس برای پیش بینی لینک
3.1 – چرا رویکرد تجزیه سازی قابل استفاده است؟
3.2 – ما چگونه می توانیم قابلیت های نهان و ضمنی را با هم ترکیب کنیم؟
3.3- چگونه بر مشکل عدم تعادل غلبه کنیم؟
3.4- مدل نهایی
4- طرح آزمایشی
5. نتایج آزمایش
6. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
We propose to solve the link prediction problem in graphs using a supervised matrix factorization approach. The model learns latent features from the topological structure of a (possibly directed) graph, and is shown to make better predictions than popular unsupervised scores. We show how these latent features may be combined with optional explicit features for nodes or edges, which yields better performance than using either type of feature exclusively. Finally, we propose a novel approach to address the class imbalance problem which is common in link prediction by directly optimizing for a ranking loss. Our model is optimized with stochastic gradient descent and scales to large graphs. Results on several datasets show the efficacy of our approach.
چکیده
ما پیشنهاد می¬کنیم که مسئله پیش بینی لینک در گراف ها، با استفاده از یک رویکرد تجزیه ماتریس تحت نظارت حل شود. این مدل می تواند قابلیت های نهان را از ساختار توپولوژی یک گراف (بدون جهت) یاد بگیرد و نشان داده است که عملکرد بهتری نسبت به نمرات مشهور نظارت نشده دارد. ما نشان می دهیم که چگونه این قابلیت های نهان ممکن است با قابلیت های ضمنی و اضافی مربوط به گره ها و یال ها ترکیب شوند، که در نهایت این ترکیب منجر به بالا رفتن عملکرد خواهد شد و نسبت به استفاده منحصر به فرد از یک نوع قابلیت بهتر است. در نهایت ما یک رویکرد نوین را برای برطرف کردن مسئله عدم تعادل ارائه می کنیم که این مسئله در پیش بینی به وسیله بهینه سازی مستقیم برای یک زیان رتبه بندی، رایج می باشد. مدل ما به وسیله مقیاس ها و گرادیان نزولی تصادفی بهینه سازی می شود. نتایج این رویکرد بر روی چندین پایگاه داده نشان می دهد که مدل ما دارای کارایی می باشد.
