Skip Navigation Linksلیست مقالات ترجمه شده / مقالات ترجمه شده مهندسی كامپيوتر /

عنوان ترجمه شده مقاله: روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر

ترجمه مقاله در مورد پیش بینی پیوند، اماده دانلود است. در این مقاله، ما یک روش جدید پیش بینی پیوند سری های زمانی را پیشنهاد می کنیم که از مجموعه ای از LA ها برای پیش بینی پیوندهای آتی استفاده می کند.

چکیده

پیش­بینی پیوند یک چالش بزرگ در شبکه­ های اجتماعی است که از ساختار شبکه ­ای برای پیش­بینی پیوندهای آتی استفاده می­کند. روش­های رایج پیش­بینی پیوند برای پیش­بینی پیوندهای مخفی از نمایش گراف ایستا استفاده می­کنند که در آن تصویری از شبکه برای یافتن پیوندهای آتی یا مخفی مورد استفاده قرار می­گیرد. برای مثال، پیش­بینی پیوند مبتنی بر معیار تشابه، روش سنتی رایجی است که معیار تشابه را برای تمامی پیوندهای غیرمتصل محاسبه نموده، پیوندها را براساس معیارهای تشابه آنها مرتب نموده و پیوندهای با امتیاز تشابه بالاتر را به عنوان پیوندهای آتی برچس ب­گذاری می­کند. از آنجاکه فعالیت­های افراد در شبکه­ های اجتماعی، پویا و غیرقطعی است، و ساختار شبکه­ ها با گذشت زمان تغییر می­کند، استفاده از گراف­ های قطعی برای مدلسازی و تحلیل شبکه­ ی اجتماعی نمی­تواند روش مناسبی باشد. در مسأله­ ی پیش­بینی پیوند سری­ های زمانی، احتمال وقوع پیوند سری­ های زمانی برای پیش­بینی پیوندهای آتی مورد استفاده قرار می­گیرد. ما در این مقاله یک روش پیش­بینی پیوند سری­ های زمانی مبتنی بر اتوماتای یادگیر را پیشنهاد می­کنیم. در الگوریتم پیشنهادی برای هر پیوندی که قرار است پیش­بینی شود، یک اتوماسیون یادگیری داریم و هر اتوماسیون یادگیری در تلاش است وجود یا عدم وجود پیوند متناظر را پیش­بینی کند. برای پیش­بینی احتمال وقوع پیوند در زمان T، یک دنباله­ ی متشکل از مراحل 1 تا T-1 داریم و اتوماسیون یادگیری این مراحل را می­پیماید تا وجود یا عدم وجود پیوند مربوطه را بیاموزد. زمانیکه احتمال وقوع پیوند سری­ های زمانی را در نظر بگیریم، آزمایشات اولیه­ ی پیش­بینی پیوند با شبکه­ های ایمیل و نویسندگی مشترک، نتایج رضایت ­بخشی را فراهم می­ آورد.

1-مقدمه

پیش­بینی ایجاد پیوند بین اشیاء داده، کار جالبی در حوزه ­ی پژوهشی داده ­کاوی است. پیش­بینی ایجاد هایپرلینک وب، پیش­بینی ژنتیکی، برهم­کنش­ های پروتئین-پروتئین، و مسأله­ ی ایجاد پیوند بین داده ­ها، مثال­ هایی از این حوزه هستند. در مسأله­ ی پیش­بینی پیوند، نمود داده ­ها به صورت نمایش شبکه/گراف است. این داده ­ها را می­توان به شکل گراف تجسم نمود، در این گراف، هر رأس متناظر با یک فرد بوده و هر پیوند، فرمی از تناظر بین افراد مرتبط را نشان می­دهد [1، 2]. مفهوم پیوند در شبکه­ ی اجتماعی معمولاً یک تقاطع مشترک از شبکه­ ی اجتماعی متناظر است...

میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.


موسسه ترجمه البرز اقدام به ترجمه مقاله " مهندسی فناوری اطلاعات " با موضوع " روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر " نموده است که شما کاربر عزیز می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر
نویسنده/ناشر/نام مجله :
Physica A: Statistical Mechanics and its Applications
سال انتشار
2017
کد محصول
1012745
تعداد صفحات انگليسی
16
تعداد صفحات فارسی
27
قیمت بر حسب ریال
1,265,000
نوع فایل های ضمیمه
Pdf+Word
حجم فایل
1 مگا بایت
تصویر پیش فرض


این مقاله ترجمه شده را با دوستان خود به اشتراک بگذارید
سایر مقالات ترجمه شده مهندسی فناوری اطلاعات , مهندسی كامپيوتر را مشاهده کنید.
کاربر عزیز، بلافاصله پس از خرید مقاله ترجمه شده مقاله ترجمه شده و با یک کلیک می توانید مقاله ترجمه شده خود را دانلود نمایید. مقاله ترجمه شده خوداقدام نمایید.
جهت خرید لینک دانلود ترجمه فارسی کلیک کنید
جستجوی پیشرفته مقالات ترجمه شده
برای کسب اطلاعات بیشتر، راهنمای فرایند خرید و دانلود محتوا را ببینید
هزینه این مقاله ترجمه شده 1265000 ریال بوده که در مقایسه با هزینه ترجمه مجدد آن بسیار ناچیز است.
اگر امکان دانلود از لینک دانلود مستقیم به هر دلیل برای شما میسر نبود، کد دانلودی که از طریق ایمیل و پیامک برای شما ارسال می شود را در کادر زیر وارد نمایید


این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:





Social Network
Link Prediction
Time Series
Learning Automata.

تاریخ انتشار در سایت: 2018-07-01
جستجوی پیشرفته مقالات ترجمه شده
نظرتان در مورد این مقاله ترجمه شده چیست؟

ثبت سفارش جدید