چکیده مقاله
مبتنی بر پیش بینی پیوند در شبکه های اجتماعی علامت دار برای کشف روابط بالقوه در آینده بین کاربران بسیار مهم می باشد این شبکه ها شامل کاربرانی هستند که از طریق روابط اعتماد و عدم اعتماد به هم متصل شده اند و به طور قابل توجهی بر سبک زندگی، تصمیم گیری و رفتار افراد تاثیر می گذارند با وجود تحقیقات گسترده در زمینه پیش بینی پیوند، روش های موجود اغلب در پرداختن موثر به چالش های مبهم در اعتماد، عدم اعتماد و کمبود داده ها به ویژه هنگام گنجاندن ویژگی های توصیفی کاربران شکست می خورند این مطالعه یک مدل محاسباتی فازی به نام LPTD CNN را پیشنهاد می کند که به طور منحصر به فرد ویژگی های توصیفی کاربران را با انتخاب ویژگی شبکه عصبی کانولوشن برای پیش بینی اعتماد و عدم اعتماد ترکیب می کند تا پیوندهای از دست رفته را کشف کند چارچوب پیشنهادی هم بسیار کارآمد است و هم به چالش های ابهام و پراکندگی داده ها در شبکه های اجتماعی علامت دار می پردازد این مدل با اولویت بندی کاربران با تاثیر بالا و ارزیابی تاثیر مستقیم و غیر مستقیم آنها بر رتبه بندی ها کارایی پیش بینی را افزایش می دهد یک شبکه عصبی کانولوشن برای استخراج ویژگی های معنادار از ویژگی های توصیفی کاربران مربوط به اعتماد و عدم اعتماد به کار گرفته می شود آزمایش های جامعی بر روی مجموعه داده های Epinions و Slashdot انجام شد تا عملکرد مدل از نظر دقت، صحت، F measure، خطای مطلق میانگین و ریشه میانگین مربعات خطا ارزیابی شود در روش پیشنهادی دقت پیش بینی اعتماد برای Epinions برابر با ۰ ۹۳۸ و برای Slashdot برابر با ۰ ۹۶۷ است در حالی که دقت پیش بینی عدم اعتماد برای Epinions برابر با ۰ ۹۳۳ و برای Slashdot برابر با ۰ ۹۷۷ است این نتایج نشان می دهد که روش LPTD CNN از رویکردهای موجود بهتر عمل می کند و پیش بینی های قوی و قابل اعتمادی ارائه می دهد و در عین حال به طور موثر مشکل پراکندگی در شبکه های اجتماعی علامت دار را کاهش می دهد
کلیدواژهها
نویسندگان
شیوه ارجاع
�سین خانی، فاطمه و هارون آبادی، علی و ستایشی، سعید،1404،پیش بینی اعتماد و عدم اعتماد با ترکیب شبکه عصبی کانولوشن و سیستم فازی در شبکه های اجتماعی علامت دار،کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال،یزد
ارائهشده در
مجموعه مقالات کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال21 آبان 1404 · یزد