فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی پیوند یکی از موضوع‌های مهم در تجزیه و تحلیل شبکه‌های پیچیده است. پیش‌بینی پیوند می‌تواند توسط یک رده‌بند انجام شود؛ به‌طوری‌که بردار ویژگی یک جفت گره، ورودی آن باشد. خروجی رده‌بند نشان می‌دهد که آیا میان آن جفت گره پیوندی پیش‌بینی می‌شود یا خیر (رده یک یا رده صفر). برای استخراج بردار ویژگی یک جفت گره می‌توان از شبکه‌های عصبی گرافی (GNN) استفاده نمود که در این صورت روش حل مساله پیش‌بینی پیوند مبتنی بر شبکه عصبی گرافی خواهد بود. در این مقاله، یک روش حل مساله پیش‌بینی پیوند مبتنی بر شبکه عصبی گرافی به نام Graph Auto Encoder (‌GAE) ‌به عنوان روش‌ پایه در نظر گرفته شده است. یکی از مشکل‌های اساسی در این روش‌ آن است که بردار ویژگی استخراج شده توسط شبکه عصبی گرافی به ازای جفت گره‌های متفاوت، می‌تواند یکسان باشد. برای رفع این مشکل، در این مقاله با استفاده از مفهوم زیرگراف روش پایه بهبود داده شده و چارچوب جدیدی با نام‌ Sub-Graph Auto Encoder (SGAE) پیشنهاد شده است. چارچوب‌ پیشنهادی بر اساس معیارهای مختلف ارزیابی و با روش‌ پایه‌ مقایسه شده است که نتایج نشان‌دهنده بهبود عملکرد آن‌ است. ‌به عنوان مثال روش SGAE ‌به طور متوسط نسبت به روش پایه GAE در معیارهای دقت، F1-Score، متوسط صحت و مساحت زیر نمودار صحت-فراخوانی، بهبود 5.5، 5، 5.75 و 5.87 را ایجاد کرده است.